【视觉SLAM十四讲】第一讲阅读笔记

0. 前言

第一讲主要讲了两方面：一是介绍SLAM，包括定义，发展过程，应用点，系统构成，学习所需背景知识和编程库，参考书籍等；二是本书特点，组织方式，代码等。本书理论结合实践，是入门视觉SLAM的不二之选。

1. 定义

SLAM是Simultaneous Localization and Maping的缩写，即“同时定位与地图构建”。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。

根据不同传感器，包括激光SLAM,视觉SLAM等。而摄影测量和SFM主要关注于地图构建，也有的技术（基于视觉，或GPS等）是专注于定位。这个过程很难，因为它要求实时，且没有先验知识。

2. 应用点

室内扫地机器人，自动驾驶汽车，无人机，虚拟现实和增强现实等。

3. 预备知识

理论方面： 高数，线代，概率论，射影几何，计算机视觉，状态估计理论，李群李代数等。
编程方面：C++基础，Linux基础，Eigen , OpenCV, PCL, g2o, Ceres等库。
参考书籍： 《概率机器人》（Probabilistic robotics）,《计算机视觉中的多视图几何》（Multiple View Geometry in Computer Vision）,《机器人学中的状态估计》（State Estimation for Robotics：A Matrix-Lie-Group Approach）

4. 本书结构

1-6讲是数学基础，主要包括三维空间运动，李群李代数，针孔相机模型，非线性优化，可以对照《Course on SLAM》一块学习。
7-14讲是SLAM具体技术，包括视觉里程计（特征点法，直接法，实践章），后端优化（Bundle Adjustment， 位姿图），回环检测（词袋法），地图构建，开源项目及发展方向。

源代码： github上的slambook

5.习题

5.1 线性方程的$Ax=b$求解。

1） 单纯从秩的角度，系数矩阵A与增广矩阵B,即[A|b], 的秩相同时,即R(A)=R(B)时,方程组有解,R(A)≠R(B)时,方程组无解;R(A)=R(B)<n时,有无穷解,R(A)=R(B)=n时,有唯一解
2）详细分析，参考MIT线性代数：8.求解Ax=b：可解性和解的结构
可解性，b是A的各列的线性组合。A的行线性组合得到的零行，b对应地得到零行。
解的结构，则是Ax=b的特解和Ax=0的解线性组合。

5.2 高斯分布

参考多维高斯分布是如何由一维发展而来的？