SLAM数学推导与算法解析 一、前端里程计 1、特征提取 1.1、2D-2D匹配 1.2、3D-2D匹配: PnP问题 1.2.1 直接线性变换(DLT)求解PnP: 先求解相机位姿,再求解空间点位置 1.2.2 EPnP求解PnP 1.2.3 P3P: 先求解空间点位置,再求解相机位姿 1.2.4 前端帧间BA求解PnP:同时求解空间点位置和相机位姿 1.2.4.1 一阶梯度下降法 1.2.4.2 二阶牛顿法 1.2.4.3 GN高斯牛顿法 1.2.4.4 LM列文伯格-马夸尔特法 1.3、3D-3D匹配 1.3.1 ICP法 1.3.1.1 SVD奇异值分解求解ICP 1.3.2 NDT法 二、后端优化 三、回环检测 3.1、距离法 3.2、词袋模型 3.3、深度学习 四、算法库 4.1、g2o 4.2、ceres 4.3、suphs 五、线性代数相关背景知识 5.1、SVD分解 六、概率论相关背景知识 七、其它算法补充 7.1、RANSAC随机采样一致性算法 八、存在问题与解决思路 8.1、激光slam纵向飘移问题 九、slam中各处理手段诞生原因与优缺点 9.1、边缘化 9.1.1 舒尔补 9.1.2 距离边缘化 9.2、稀疏性 十、典型开源算法存在的问题与解决 10.1、ORB-SLAM 一、前端里程计 1、特征提取 1.1、2D-2D匹配 1.2、3D-2D匹配: PnP问题 Perspective-n-Point (PnP) 问题:如下图 已知: 1)给定 n n n个3D参考点