本章说
题头诗：
重走SLAM路，之前学的全忘光
今日重拾起，痛定思痛写总结
长征路漫漫，君当切实行
第二讲主要说了两个内容，一是一个完整的、常规的SLAM有哪些部件组成；二是SLAM的数学描述是什么。两者之间有一定的因果关系，第二点是基础，它说明了一个SLAM系统在数学上是可以成立的；第一点是第二点的工程实现，仅一个数学模型是无法求解的，其必将面临着非常多的工程问题，而第一点给出的常规结构，是在多方验证下证明可行的方案。
说内容
先说第二点，SLAM的数学模型怎么理解？
一个完整的数学模型必备的前期准备是参数符号，这里我们准备了四类参数：
- 机器人在 k k k时刻的位置 x k x_k xk,以及 k k k时刻的运动传感器的读数 u k u_k uk
- 第 j j j个路标点的位置 y j y_j yj
- 第 j j j个路标点在 k k k时刻被机器人观测到的信息 z k j z_{kj} zkj
- 机器人位置记录的扰动 w k w_k wk和观测信息的扰动 v k j v_{kj} vkj
定义了上面的四类参数，我们可以列出机器人的运动方程和观测方程：
{
x
k
=
f
(
x
k
−
1
,
u
k
,
w
k
)
z
k
j
=
h
(
y
j
,
x
k
,
v
k
j
)
\left\{ \begin{aligned} x_k & = & \ f(x_{k-1},u_k,w_k)\\ z_{kj} & = & \ h(y_j,x_k,v_{kj})\\ \end{aligned} \right.
{xkzkj== f(xk−1,uk,wk) h(yj,xk,vkj)
数学模型的优势是很好的说明了SLAM的可行性，但我们对运动方程和观测方程涉及到的函数
f
f
f和
h
h
h仅做了简单的描述性解释，事实上，运动方程关联着旋转矩阵、变换矩阵、李群、李代数等；观测方程关联着相机模型、相机内参、相机外参等。而从该方程组中求解误差最小的一组
x
k
x_k
xk与
y
j
y_j
yj将关联着非线性最优化的相关内容。所以，该数学模型是第一部分数学基础的总览。
再说说第一点，SLAM工程的实现
有了数学模型其实已经可以写代码求解了，但是SLAM追求实时性，所以有一个优秀的工程结构才可以保证SLAM的顺利运行，而目前广泛认可的SLAM结构当属下图：
结合数学模型，我们来说明各部分在做什么：
- 前端视觉里程计通过特征匹配计算了相机在各时刻的位姿，即 x k x_k xk
- 后端非线性优化接收 x k x_k xk信息，以及回环检测的信息，并做全局一致性优化（或许是误差最小？这部分还没有学到），相当于求解最小二乘解
第二讲的内容就先说到这吧，由于上次学习只学到了视觉里程计1，所以对于后端怎么做的其实还有点迷糊，等重走完并学习到后端后，再回来做补充吧
1138
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
