视觉SLAM新手学习（第一部分理论部分）

---

前言

本人刚接触SLAM大概两个星期，下面是本人的一些理解。仅供参考，若有错误，欢迎来扰！！！是关于十四讲的学习！！！
SLAM：Simultaneous Localization and Mapping 同时定位与地图构建

一、第一讲（准备）

数学：高等数学、线性代数（矩阵论）、概率论
编程：C++、Linux，了解语法和基本命令即可
英语：文献、文档阅读能力
环境：Ubuntu 16.04
不提供windows环境下的方案！

一、第二讲（综述）

名称	含义
视觉里程计	估计邻近时刻的相机运动 （最简化：两个图像的相对运动）
后端	从带有噪声的数据中估计最优轨迹与地图、最大后验概率估计、滤波器、图优化
回环检测	检测相机是否到达过之前位置、判断与之前位置的差异、计算图像间相似性、词袋模型
建图	导航、规划、通讯、交互、可视化、度量地图、拓扑地图、稀疏地图、稠密地图

位置是三维的，如何表述？——第三、四讲
观测模型如何表述？——第五讲
已知u,z时，如何推断x,y？——第六讲

二、第三讲(刚体运动)和第四讲(李群和李代数)

1.感性认识

2.相关公式

见《视觉SLAM十四讲》

三、第五讲(相机模型)

1.针孔相机模型

下图：针孔相机的原理图

从一个点的世界坐标到，相机的内部的像素坐标的转化如下：

成像平面到像素平面：就会原点的平移加缩放。
其中涉及到了一个归一化平面的知识如下：

2.畸变类型

畸变可以用归一化坐标的变换来描述！！！
径向畸变：

径向畸变的多项式描述：

切向畸变：
相机在组装的过程中由于 透镜和成像平面不是严格平行导致的。

切向畸变的多项式描述：

将他们放在一起保留各项系数（在实际更加实用）：

3.双目相机模型

下图：双目相机模型相机的原理图

d称为视差（disparity），描述同一个点在左右目上成像的距离。
d最小为1个像素，因此双目能测量的z有最大值：fb。
虽然距离公式简单，但d不容易计算。
左右相机中心距离称为基线，左右像素的几何关系：

整理得：

四、第六讲(非线性优化)

1.贝叶斯公式

概率密度函数：

这个称为全概率公理！！
概率密度函数在某区间的积分即为概率：

如果x表达某种状态，也称为x在该区间下的可能性/似然（likehood）：

条件概率：

联合概率：

联合概率也满足全概率公理：

贝叶斯公式：联合=条件*边缘

另一形式：

赋予该式物理意义：x=状态，y=传感器读数，p(y|x)=传感器模型，p(x|y)=状态估计，就叫贝叶斯公式。

2.高斯分布

一维高斯分布


多维高斯分布


高斯概率密度函数
联合高斯分布：

已知联合分布p(x,y)和p(y)，求p(x|y)
这个过程中，均值作出了调整，方差变小了。

3.状态估计问题

可以由运动方程和观测方程组成。

最大后然估计MAP：

最大似然估计MLE：

1.最小二乘法的引出

根据观测方程可以推出：

列出其高斯分布的表达式，并且求对数就可以由最大问题转化为求最小的问题：

2.批量估计问题

定义误差：

进而引出最小二乘问题：

4.非线性最小二乘

当f(x)特别复杂的时候，我们应该怎么求 min(1/2)*||f(x)||^2的最小值，和最小值对应的x。可采用迭代的思想：

其中△xk是人为设置的，同时也要设定增量△xk的步长！！那么这个△xk取什么才算合适呢？？？！！！

可以有以下方式：

将分别介绍这几类方法

1.一阶和二阶梯度法

在x处泰勒展开：

J为雅克比矩阵，H为海塞矩阵。

1.一阶法（最速下降法）

只保留一阶项：

梯度的方向为函数增长的方向。取增量的反方向，就可以保证函数一直处于下降的情况即：

通常还需要计算步长！！！

2.二阶法（牛顿法）

保留二阶梯度：

对△x求导：

但是求H的过程过于复杂！！

2.高斯牛顿法（Gauss-Newton）

将目标函数降级为f(x)而不是F(x),对f(x)进行展开：

使||f(x+△x)||^2最小:


但是无法保证H可逆！！！

3.列文伯格-马夸尔特法（Levenberg-Marquadt）

L-M属于信赖区域方法（Trust Region），认为近似只在区域内可靠



1.LM相比于GN，能够保证增量方程的正定性
即，认为近似只在一定范围内成立，如果近似不好则缩小范围
2.从增量方程上来看，可以看成一阶和二阶的混合
参数λ控制着两边的权重

总结

以上是本人对高翔博士的《SLAM十四讲》第一部分数学基础部分的理解。如有错误，多多指出！！！
VISIO资源下载：
https://download.csdn.net/download/qq_42027654/19854975