入门slam（一）

SLAM 是Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与地图构建”。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。如果这里的传感器主要为相机，那就称为“视觉SLAM”。

在国际上，SLAM已经有近三十年的研究历史，也一直是机器人和计算机视觉的研究热点。二十一世纪以来，以视觉传感器为中心的视觉SLAM 技术，在理论和实践上都经历了明显的转变与突破，正逐步从实验室研究迈向市场应用。

1. 我在什么地方？——定位。
2. 周围环境是什么样？——建图。

 

按照相机的工作方式，我们把相机分为单目（Monocular）、双目（Stereo）和深度相机（RGB-D）三个大类。RGB-D 原理较复杂，除了能够采集到彩色图片之外，还能读出每个像素离相机的距离。

照片，本质上是拍照时的场景（Scene），在相机的成像平面上留下的一个投影。它以二维的形式反映了三维的世界。显然，这个过程丢掉了场景的一个维度：也就是所谓的深度（或距离）。

平移之后才能计算深度，以及无法确定真实尺度，这两件事情给单目SLAM 的应用造成了很大的麻烦。它们的本质原因是通过单张图像无法确定深度。所以，为了得到这个深度，人们又开始使用双目和深度相机。

 

VO 能够通过相邻帧间的图像估计相机运动，并恢复场景的空间结构。叫它为“里程计”是因为它和实际的里程计一样，只计算相邻时刻的运动，而和再往前的过去的信息没有关联。在这一点上，VO 就像一种只有很短时间记忆的物种一样。

后端优化主要指处理SLAM 过程中噪声的问题。传感器测量存在测量噪声。

机器人携带着传感器在环境中运动——运动方程和观测方程来描述自身运动和观测到的地标。

当我们知道运动测量的读数u，以及传感器的读数z 时，如何求解定位问题（估计x）和建图问题（估计y）？这时，我们把SLAM
问题建模成了一个状态估计问题：如何通过带有噪声的测量数据，估计内部的、隐藏着的状态变量？

状态估计问题的求解，与两个方程的具体形式，以及噪声服从哪种分布有关。我们按照运动和观测方程是否为线性，噪声是否服从高斯分布进行分类，分为线性/非线性和高斯/非高斯系统。用卡尔曼滤波、扩展卡尔曼、非线性优化等求解。

插播linux下编译C++：用cmake管理源代码。在一个cmake 工程中，我们会用cmake 命令生成一个makefile 文件，然后，用make命令，根据这个makefile 文件的内容，编译整个工程。在Linux 中，库文件分成静态库和共享库两种。静态库以.a 作为后缀名，共享库以.so结尾。所有库都是一些函数打包后的集合，差别在于静态库每次被调用都会生成一个副本，而共享库则只有一个副本，更省空间。