解读《视觉SLAM十四讲》，带你一步一步入门视觉SLAM—— 第 2 讲 初识SLAM （上）

近来，实习下班比较早，再加上天气冷，不用陪女朋友逛街，所以早早回到寝室，继续写博客！

在上一篇博客中，我解读了《视觉SLAM十四讲》第1讲的内容。在第一讲中，书中并没有什么技术性的问题，主要是作者介绍了一些预备知识。

这篇博客，我要带你解读第2讲——初识SLAM。我相信如果你运行了我在上一篇博客中介绍的ORB-SLAM2，那么你对SLAM已经有一个很好的认识了。

一、初识SLAM

在这一讲中，作者主要介绍了以下内容：

• 首先通过一个小机器人作为引入，讲解了SLAM中最为常用的三种视觉传感器：单目相机、双目相机、深度相机；
• 然后介绍了经典的SLAM框架包含哪些过程，并介绍了每一个过程实现的意义；
• 又引入了通用的运动方程和观测方程来通过数学的方式表述了SLAM问题
• 最后作者介绍了一些实践行的工作，包括安装一款Linux系统，如何在Linux系统上编写一小段代码、还介绍了管理代码之间依赖关系的工具CMake，同时也介绍了链接库，最后介绍了一款IDE。

在这一讲中，作者从多个方面，对SLAM做了认识性的介绍，我相信对于初学者来说，这里面一定有很多的专业术语让你措手不及，但是这个是不可避免的，任何一门学科为了表述和交流的方便，都形成了自己的一套术语，可能一开始你不习惯，但是很快它就会印在你的脑海里，请你多一些耐心。这一讲你不用每一个字都理解，但是你要做到对大部分内容心中有数。对每一个术语即使不能用专业的语言解释它，但是要大概知道它是啥。

二、解读

下面我对书中的难于理解的内容，进行一些解读，你一定要在阅读过书中对应章节的内容之后再往下看，只有那样你才会有共鸣。

SLAM的传感器

在书中作者介绍了SLAM常用的传感器。我在前面说过，只要是完成同时建图和定位的任务，那么我们就把它叫做SLAM，我们可以想到能满足这个要求的传感器很多，比方说激光雷达，相机，轮式里程计惯性测量单元，我想这其中你最熟悉的传感器一定是：相机。别的传感器可能你听说过，可能没有听说过，你不必在他们上面多花时间去了解，因为《视觉SLAM十四讲》这本书只针对相机。
　　
单目相机
　　作者在书中介绍了单目相机，由于现在是初识阶段，所以没有介绍单目相机的原理，作者不断地在强调一个问题，那就是单目相机的尺度问题。
　　
　　我不知道你对单目相机的尺度是否理解，如果你不理解，下面请你跟我一起做一个实验，闭上你的一只眼睛，然后将你的双手掌心朝向你，两个手掌之间前后方向稍微有一些距离，这个时候你会发现，你根本不可能通过一只眼睛分清楚两个手掌谁在前谁在后。但是你可能会说，我明明知道他们的前后啊，对不起那并不是你的眼睛观察出来的，而是你通过近大远小的规律判断出来的，你知道两只手一样大，看着小的离我们就远，但是相机不知道啊！你能得到距离感那是因为你通过后天不断地学习获得的知识，并不是你的眼睛直接看出来的。
　　
　　单目相机就相当于我们在用一只眼睛观察世界，尽管它看到了这一切，但是它并不知道它所看到的东西，具有多大的真实尺寸。由于还没有学到单目相机的模型，所以只能通过一个感性的方法，帮你理解一下单目的尺度问题。
　　
　　由于没有尺度，也就是说没有真实的空间距离，那么我们后续产生的一切轨迹或者点，都没有真实单位信息，有的只是它们之间的相对关系，也许你还不能理解这句话，但是你可以记住它，留下一个疑问，日后你自会理解。

双目相机
双目相机，你就可以理解成像我们的眼睛一样，两个眼睛之间的距离，叫做基线。这个是双目相机出厂就知道的信息，然后我们想过两个双目之间三角关系和相似三角形关系，就可以知道照片上一个点，对应到空间上的真实位置。也许你觉得很神奇，或者匪夷所思，但是当你在后续文章中了解双目相机模型之后，你就会发现它的测距原理是如此的简单。

深度相机
深度相机由叫RGB-D相机，其中R、G、B表示的是图片的三个通道，D表示的是深度，说明RGB-D相机获得是一张，彩色的图片，并且每一个像素还额外获得了深度信息。作为我们对SLAM的应用，你对RGB-D相机的了解到此就足够了，没有必要再去深挖它的原理。

经典SLAM的视觉框架

作者介绍了目前视觉SLAM最为常见的流程，初看你一定对这每一部分都没有什么认识，也许根据“传感器数据”、“回环检测”、“建图”的字面意思，你能推断一些信息，但是这离完全理解框架的流程还很远。
　　
　　我觉得没有什么比举例子，然后带着你感受一遍这个流程来的直接。所以我下面采用一个例子，但是感受一下这个过程：

• 下面请你把自己想象成一个机器人，你的两个眼睛就是一个双目摄像头，假设你的眼睛不转，头也不转，眼睛的视角只能通过脚步移动去控制。
• 现在你在一个超市里面，你的双脚开始移动，你一边走一边通过眼睛观察你前方的场景，你每走一步，你就会更深入走进你眼前的场景，而你就能通过眼前场景的变化推断出你行进的轨迹，然后你就在这个超市里面不停地走动，那么你的轨迹越来越长，但是由于你的眼睛观察有误差，所以就会导致你大脑在形成轨迹时产生的误差越来越大。
• 走着走着，忽然，你发现自己好像来过这个地方，这时你马上发现了一个问题，我的脑海中推断的轨迹是我现在在水产区，实际上我现在在蔬果区，于是你可以断定自己前面的轨迹产生了多大的误差，于是你就想采用了一个不算太好，但是也只能这样的方法，你将你推断导致的误差，平均分给你前面走过每一步，这样的话虽然总体误差没有降低，但是你最后所在的位置会更接近你真实的位置，这样做会让我们看起来更加接近真实的运动轨迹。
• 最后，你走了很多的路，你也修正了自己在超市运动的轨迹，而超市的整个环境的样貌也就在你的脑海里，留下了印象。

其实上面的这一个过程就是一个经典的SLAM框架：

• 眼睛看到的东西，就对应于框架中的传感器数据；
• 我们通过前后两步看到的场景变换，推断出轨迹的过程，就是前端，也叫作视觉里程计；
• 忽然我们发现自己回到了走过的地方，就对应于回环检测；
• 上面例子中我们发现自己实际在蔬果区，但是根据累计的观察，我们觉得自己是在水产区，然后我们就优化整个误差，这个就对应于后端，常常采用的方法就是非线性优化；
• 最后我们记住了整个超市的环境样貌，这就是建图。

关于视觉里程计，我要多说一句：在我们的印象中“XX计”，例如温度计，都是一种实际的物件，但是视觉里程计它并不是你可以摸得到的物件，它就是通过代码完成相邻时刻运动的计算，由于它的这个效果和我们实际的里程计一样，所以把它叫做：视觉里程计。

我相信你仔细阅读过上面的例子，亲身体会一下，你一定能理解SLAM的整个流程，如果你对上面流程更为细致的东西有疑惑，也请你不要着急，后面的所有内容都是围绕着上面的流程进行的，待你学完之后，一定迎刃而解。

出于对内容质量的考虑（主要是我不想熬夜），每篇内容尽量不要太长，所以这一讲，我就分成两部分解读。下篇博客解读这一讲的SLAM通用数学模型和一些实践的内容。

要从容地着手去做一件事,一旦开始,就要坚持到底。——比阿斯【美】