SLAM学习基础（二）——《视觉SLAM十四讲》读后感、SLAM核心技术总结（部分）

（1）《视觉SLAM十四讲》_高翔

第一遍学习：

《视觉SLAM十四讲》这本书，很详细的从几何学的角度讲述了SLAM的各种核心技术。是成为一名SLAM技术的边缘OB者的不二选择。

本书的前六讲主要是在安装库（当然，顺道介绍书数学基础知识），SLAM运行需要的各种库，因为我是在ubuntu16.04下做的，很多依赖项因为系统版本更新都变了，不过问题不大，如果安装报错，系统会提醒我们可以相应依赖项在什么新的lib***-dev里面有照着安就完事了。

系统这个东西，没啥好说的。找本薄点的书，外加每个命令敲一敲，通过实践来慢慢熟悉这个系统吧～

接下来的几讲，分别介绍了SLAM技术的前端，后端，回环检测和建图。具体是什么，看书吧，很详细啦～

SLAM和SFM的区别，可以把SLAM理解成实时的SFM。同时SFM给出的图像可以不具有时间顺序，并且因为没有时间限制，可以不选择0RB-SLAM（特征点法的标杆）中的ORB做特征点提取，可以选择恢复三维模型效果更好的SIFT/SURF特征提取方法。

这本书的核心在于向我们展示了完整而基础的SLAM几何框架下的核心技术，然而实际的SLAM系统是一个完整的东东，不会一个部分一个CMAKE，换言之一个main.cpp就完事了，所以你如果里面那个部分暂时没弄懂，别慌，有开源的完整代码在，那个能搞懂就OK了，当然能都跑一下，感受一下各部分的作用也是很棒的，加油！！！（这是我第一遍的理解，其实也有点问题，呵呵）

对了，学这本书的时候，学会看cmakelist.txt,不弄懂后面白搭！！！

第7章对应传统的特征点法，第8章对应较新一点的直接法。两者各有千秋，我爱特征！！

PS： 有对PL-SLAM感兴趣的没，交流一下啊～

第二遍学习：

第二遍看，发现4、6、10章串起来g2o那篇论文，这三章需要有一个整体的理解。并且他和Isam不是一路数，具体区别，还不知道。

第9章，是一个微型化的工程，在第一遍看的时候，C++基础不牢固，也没学设计模式，就简单跑一下代码，这很不科学。有了相关基础才能了解一个软件框架为什么这么搭，这是看一个实际工程的基础。所以，在第一遍近乎跳过的这一章，需要细细品读。

（2）SLAM核心技术总结

（0）【泡泡机器人公开课】公开课链接（实时更新）

找自己相关，并且感兴趣的东西看看吧～

https://www.rosclub.cn/post-1065.html

（1）Bundle Adjustment到底是什么？

Bundle adjustment优化的是sum of reprojection error，这是一个geometric distance（为什么要minimize geometric distance可以参考[Hartley00]），问题可以formulate成一个least squares problem， 如果nosie是gaussian的话，那就是一个maximum likelihood estimator，是这种情况下所能得到的最优解了。

机器人导航中，2D的特征reproject回三维域内，和真正的3D点的位置会有偏差。但是在物理意义上，3D点和投射到摄像机的2D特征点是同一个点。所以这个误差出现在计算3D点时摄像机自身旋转矩阵和位移向量上。

Bundle Adjustment的作用是，通过least square等算法，去最小化这个偏差，以此得到机器人移动和方向的精确值。这在物理意义上是最精确的，是Visual SLAM问题的state-of-art解决方法。

作者：versatran01
链接：https://www.zhihu.com/question/29082659/answer/62472382
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处

下面是个人的一点认识：

以ORB-SLAM为例，我们谈论BA，在ORB-SLAM中主要指的是Localmapping线程（后端）中同时对路标点和位姿进行局部BA优化的过程。而在Tracking线程（前端）是进行仅位姿的优化估计，路标点是不进行调整的，这为了保证计算速度。

（2）RANSAC随机抽样一致性算法

概述：
RANSAC算法的输入是一组观测数据，一个可以解释或者适应于观测数据的参数化模型，一些可信的参数。
RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：
1.有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。
2.用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。
3.如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。
4.然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。
5.最后，通过估计局内点与模型的错误率来评估模型。
这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为比现有的模型更好而被选用。

优缺点：
A. RANSAC的优点是它能鲁棒的估计模型参数。例如，它能从包含大量局外点的数据集中估计出高精度的参数。RANSAC的缺点是它计算参数的迭代次数没有上限；如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果。RANSAC只有一定的概率得到可信的模型，概率与迭代次数成正比。RANSAC的另一个缺点是它要求设置跟问题相关的阀值。
RANSAC只能从特定的数据集中估计出一个模型，如果存在两个（或多个）模型，RANSAC不能找到别的模型。
B. 经典RANSAC有以下三个主要的局限性：
（1） 效率：经典方法效率与子集大小、类内点比例以及数据集大小有关，因此在某些场景下效率较低。
（2） 精度：经典方法计算参数时选取最小子集是从效率的角度考虑，往往得到的是非最佳参数，在应用产参数 之前还需要再经过细化处理。
（3） 退化：经典方法的目标函数求取最大化的过程基于一个假设：“选取的最小子集中如果有类外点，那么在这种情况下估计的参数获得的目标函数（数据集中点的个数）往往较少“但这种情况在退化发生时有可能是不对的。

https://blog.csdn.net/darlingqiang/article/details/79457596

RANSAC算法与最小二乘法的不同之处主要有以下两点：

1. 最小二乘法总是使用所有的数据点来估计参数，而RANSAC算法仅使用局内点；
2. 最小二乘法是一种确定性算法，给定数据集，每一次所得到的模型参数都是相同的；而RANSAC算法是一种随机算法，受迭代次数等的影响，每一次得到的参数一般都不相同。
3. 一般而言，RANSAC算法先根据一定的准则筛选出局内点和局外点，然后对得到的局内点进行拟合，拟合方法可以是最小二乘法，也可以是其他优化算法，从这个角度来说，RANSAC算法是最小二乘法的扩展。
   RANSAC的基本假设是：
   （1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；
   （2）“局外点”是不能适应该模型的数据；
   （3）除此之外的数据属于噪声。
   局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。

（3）移动机器人的避障方法（四类主流传感器介绍）
https://www.rosclub.cn/post-1079.html

补充：深度相机简介

https://blog.csdn.net/qq_37764129/article/details/81011221
https://blog.csdn.net/bingoplus/article/details/56667475