- 基本概念:
学习机器人定位与地图构建的基本概念,理解 SLAM 的核心问题和意义。一些建议的入门 readings 包括:
- Probabilistic Robotics(概率机器人学):Sebastian Thrun, Wolfram Burgard, Dieter Fox 编著。
- Robotics, Vision and Control(机器人视觉与控制):Peter Corke 编著。
- 数学基础:
SLAM 需要很多数学知识,特别是概率、线性代数和优化。确保你具备这些知识的基本功,一个强烈推荐的资源是:
- Introduction to Applied Linear Algebra(应用线性代数导论):Stephen Boyd, Lieven Vandenberghe 编著。
- 机器人感知与运动模型:
深入学习机器人感知模型(如激光雷达、摄像头等)和运动模型,理解如何用数学公式表示。参考资料可以是:
- Probabilistic Robotics(概率机器人学):Sebastian Thrun, Wolfram Burgard, Dieter Fox 编著。
- SLAM 算法:
学习不同的传统 SLAM 算法,如 EKF-SLAM、FastSLAM、GraphSLAM 等。理解各算法的优缺点。推荐阅读:
- Probabilistic Robotics(概率机器人学):Sebastian Thrun, Wolfram Burgard, Dieter Fox 编著。
- 视觉 SLAM:
学习基于视觉的 SLAM 方法。研究摄像头和视觉传感器在 SLAM 中的应用。常见的方法包括特征点法(如 ORB-SLAM)和直接法(如 DSO, DTAM):
- An Invitation to 3D Vision(三维视觉概论):Yi Ma, Stefano Soatto, Jana Kosecká, Shankar Sastry 编著。
- Multiple View Geometry in Computer Vision(计算机视觉中的多视几何):Richard Hartley, Andrew Zisserman 编著。
- 代码实现与框架:
学习现有的 SLAM 框架与相关软件库,附加一些源码阅读。理论联系实际,加深理解。
- ROS(Robot Operating System,机器人操作系统)官方教程。
- 《14讲从视觉SLAM到深度学习》,深蓝学院编著。
- 开源 SLAM 项目 ( 如 GMapping, ORB-SLAM, RTAB-Map 等)。
-
论文阅读与研究:
阅读 SLAM 相关的论文,跟进前沿动态。可以关注国际顶级会议的 SLAM 相关文章,例如 CVPR、ICCV、ECCV、ICRA、IROS 等。 -
实际项目与应用:
结合所学知识,参与 SLAM 实际应用项目。例如,为无人驾驶汽车、无人机或服务机器人设计 SLAM 系统。
你可以根据自己的兴趣与学习速度来调整这个学习路径。祝你学有所成!