SLAM入门学习指南

SLAM入门学习指南

本次博客给大家介绍什么是SLAM，然后介绍一下SLAM的发展前景，当然很多都是在网上资料找到的，也有作者总结的。

SLAM雏形，近几天看的是在水下核潜艇的定位与建图的时候开始有了雏形，然后最近几年的扫地机器人、AR和VR等将SLAM技术推向了大众的视线中，当然无人驾驶也是。SLAM是Simultaneous Localization And Mapping，根据全称我们就可以知道，SLAM技术就是在定位和建图的，这些是机器人的关键部分。当然经过了SLAM之后，路径规划是机器人接下来需要做的事情。

视觉SLAM的基础知识-高翔_bilibili_哔哩哔哩_bilibili

上面这个网址是高博士于16年录制的视频，那个时候高博士写的视觉SLAM14讲非常的经典，并且以纸质版的书进行了公布。首先SLAM的输入是啥呢，答案是相机数据、激光数据或者IMU数据。根据输入数据的不同，可以分为视觉SLAM和激光SLAM两大阵营。这两个的发展可谓是十分迅速，然后现在多传感器融合SLAM也逐渐盛行起来。

说到SLAM的话，必须提起前后端两个部分。前端的话就是里程计，说实在的就是在估计SLAMbody系的运动。根据是否使用特征点，将前端分为了特征点法和非特征点法两个部分。首先特征点就是关键点+描述子来组成的，代码的话就是keypoints和descriptor两个变量的名称，使用opencv里面的函数直接计算就可以了。这里特征点的提取的话，作者会放在后面写篇博客专门介绍此内容。对于前端得到的位姿等，它必然是存在误差的，比如说它实际左转了50°，但是你算的是49.95°，这样随着系统的不断运行，这个误差会慢慢累计，最后就发生了漂移的现象(draft)。这里的draft的话就是误差的不断积累。然后此时就需要后端来帮忙，后端的目的主要是优化，目标函数是误差，使得误差最小，这样前端获得数据以后，然后后端帮忙优化一下，系统便可以在长时间的运行下保持较高的精度。然后说到后端，闭环检测的内容也必不可少。这个概念也很简单，就根据字面意思，看看系统是否经历了闭环，就是当前系统走到了之前走过的位置。闭环检测的话，最经典之一就是词袋模型，这个词袋模型的话，简单来说，就是将特征分为一个个单词，然后针对后来输入的某个场景or图片，来看看这个场景里面有多少个上述分类好的单词，然后来进行闭环判断。当然现在随着深度学习的热潮，这个部分也有深度学习来进行的。这个部分的话，作者后期也会更新相应的文章，来供大家学习参考。

然后后端优化的部分，之前是滤波作为主要的优化方式，现在使用图优化。使用图优化的原因之一就是根据矩阵的稀疏性，找到了这个特点之后呢，就利用图优化，加速目标函数的求解。说到图优化，可以这么想，节点就是优化变量，边就是约束。具体的话，大家可以随着学习的深入以后，来进行进一步的思考。

还有这里的话多说两句前端的内容，前端的话可以使用基于特征的方法，也可以不使用特征直接进行vo。对于到底用不用特征呢，这个问题的话根据具体的情况来决定。这里的特征就是特征点的意思，如果使用特征，即提取特征点以后进行里程计，那么此时用到的点相对较少，这样建图就被称为稀疏建图。如果不使用特征（这里不使用特征的原因是，如果使用特征点，那么图像中大部分的像素点会被丢弃，这样认为我在处理图像的过程中丢掉了大部分的信息），那么所有的像素点都会被使用，这样的建图称为稠密建图。对于前端里面的内容还有特征点的提取，有SIFT、Harris角点，SURF，ORB等内容，这个后续也会单独出一篇博客来对其进行详细的介绍。当然这个部分就属于cv里面的内容了，大家如果cv比较好的，这个部分一般也就没啥问题。然后知道了特征点以后，来估计系统运动的时候，就会有2维和3维之间的转换关系，这里面有对极几何 pnp问题 ba问题等，这个后续也会出相应的博客进行介绍。当然具体的话，高博士的视觉SLAM14讲是个不错的选择！

SLAM的前世今生 终于有人说清楚了 | 雷锋网公开课 | 雷峰网

SLAM的前世今生，有兴趣的小伙伴可以看一看。

以上呢就是SLAM入门的所有介绍了，希望通过我1400多字的简短介绍能够让大家对SLAM有个初步的认识，然后逐渐深入学习！！！逐渐迈进SLAM这个坑中！