视觉SLAM十四讲（高翔）学习笔记（一）--第二章课后题

1.参考文献[1] A Survey of Monocular Simultaneous Localization and Mapping 基于单目视觉的同时定位与地图构建方法综述
讲述了SLAM的基本原理：多视图几何原理，同时恢复出每帧图像对应的相机运动参数 C1…Cm , 及场景三维结构X1…Xn .
同时介绍了不同的三种SLAM系统。
基于滤波器： 每一时刻的相机方位均带有一个概率偏差，每个三维点位置也带有一个概率偏差, 可以用一个三维椭球表示, 椭球中心为估计值, 椭球体积表明不确定程度。
基于关键帧BA：将相机跟踪(Tracking)和地图构建(Mapping)作为2 个独立的任务在2 个线程并行执行.
基于直接跟总方法：不依赖于特征点的提取和匹配, 而是直接通过比较像素颜色来求解相机运动, 因此通常在特征缺失、图像模糊等情况下有更好的鲁棒性.
参考文献[14]：基于图优化的同时定位与地图创建综述
与滤波方法中每一步只考虑机器人当前位姿不同,基于平滑的方法通过所有的观测信息估计机器人完整的运动轨迹及地图。这类方法可以用图的方式作直观描述,所得的图被称作位姿图(pose graph).图中的节点对应机器人在不同时刻的位置和姿态,而边则描述了位姿与位姿间的空间约束关系.这种约束可以通过里程计或观测信息的配准得到.在图构造好后,对图中节点所处的位置(在姿态空间中)进行优化,使其最好地满足边所表示的约束关系,优化的结果即对应机器人的运动轨迹.由于平滑方法的这种直观特性,又常被称为基于图优化的方法。
基于图优化的SLAM方法的框架：

顺序配准主要考虑连续数据帧间的匹配及相对姿态估计问题，根据观测的两帧数据，建立数据间的对应关系并求解帧间的相对变换，从而可以将原不同坐标系下的观测数据放置在同一坐标系中。帧间配准的方法具有不受地形及运动方式影响的优点，而且往往可以具有更高的估计精度。
环形闭合检测主要根据观测数据判断机器人是否处在之前已访问区域。
3.g++命令参数: https://blog.51cto.com/suixinsuixin/1286381
修改生成的程序文件名 -o
例如：g++ helloSLAM.cpp -o helloSLAM.out 将原本为a.out的文件名改为helloSLAM.out
4.build 文件夹编译cmake程序
mkdir build 建立build文件夹
cd build 进到build文件夹中
cmake … 两个点表示编译的是build文件夹的上一个文件夹内的CMakeLists.txt文件
make
5.错误信息可以百度