SLAM 入门资料收集整理

CV、图像基础：

• 数字图像处理
• 计算机视觉
• Multiple View Geometry in Computer Vision配合Berkeley课件

数学基础：

• 《线性代数应该这样学》，英文名《Linear Algebra Done Right》
• Sparse Matrix：optimization->各种least square算法
  • Dr. Tim Davis的课件：Tim Davis ，他的主页里有全部的课程视频和Project
  • 针对SLAM问题，最常用的least square算法是Sparse Levenberg Marquardt algorithm，这里有一份开源的代码以及具体实现的paper：Sparse Non-Linear Least Squares in C/C++
• Thrun的《probabilistic robotics》
  • 概率学是如何解决机器人中的问题的，关键学习贝叶斯滤波，也是就是贝叶斯公式在各个问题(定位，SLAM)中的应用
  • 优化的话，建议先把最小二乘优化中给弄透彻，数学推导要会，因为很多问题，最后都是归结到最小二乘优化，然后就是梯度下降、求Jacobian之类的

SLAM入门：

• SimultaneousLocalisationandMapping(SLAM):Part 1
  SimultaneousLocalisationandMapping(SLAM):Part 2

• 做visual slam的话，推荐visual odometry part 1和part 2
  visual odometry 和 visual slam基本是同质的问题，只不过关注的点各有侧重，odometry注重的是当前实时性，slam 注重的是全局的优化。这两篇文章归纳了做odometry（slam）的三种主流的feature-based算法：
  1.2D-to-2D correspondences
  2.3D-to-3D correspondences
  3.2D-to-3D correspondences

• 1. Andrew Davison的课程： http://www.doc.ic.ac.uk/~ajd/Robotics/index.html

      AD在在week 8里面推荐了slam的两个入门 Tutorial 1  和Tutorial 2

  
  

  2. Tutorial的两篇文章文笔灰常秀丽，但是不操作还是云里雾里：

     所以这里有一个瑞士苏黎世理工的学生练习

     大家把excise 3：SLAM（EKF）做了，也就差不多了解些slam的原理了

     关于练习3的答案，我过几天上传好, 答案

编程基础：

• OpenCV的文档Camera Calibration and 3D Reconstruction 中，包含SLAM相关的基础理论公式以及C/C++/Python实现的API
• 入门先写一发最小二乘优化，可以就做一个简单的直线拟合，不要用Matlab中的优化工具，了解数学推导最后是怎么写到代码里面的。
• 要玩好Matlab优化工具包，做实验最方便了
• 尝试玩一些现有的SLAM包
  • www.openslam.org
  • ROS
    • 建议先试试Gmapping
• 阅读orbslam的源代码

经典论文：

• PTAM,DTAM,SLAM这几篇经典文章