视觉SLAM十四讲 学习笔记1——ch1预备知识 ch2初始SLAM

第一章

SLAM（Simultaneous Localization and Mapping（同时定位与地图构建））：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。

第二章

考虑携带于机器人本体上的传感器——IMU、激光、相机。

SLAM一般分为激光SLAM和视觉SLAM（相机），目前激光SLAM技术比较成熟，相机SLAM仍在发展过程中。

视觉SLAM一般分为3种：单目相机（Monocular）、双目相机（Stereo）、深度相机（Stereo）

单目相机：没有深度，必须通过移动相机产生深度。

双目相机：通过视差计算深度。

深度相机：通过物理方法测量深度。（量程较小、易受干扰、功耗较大）

视觉SLAM整体流程图：

 

　　视觉里程计（Visual Odometry，VO）：视觉里程计的任务是估算相邻图像间相机的运动，以及局部地图的样子（VO 又称为前端）

　　后端优化（Optimization）：后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图（由于接在 VO 之后，又称为后端）

　　回环检测（Loop Closing）：回环检测判断机器人是否到达过先前的位置。如果检测到回环，它会把信息提供给后端进行处理。

　　建图（Mapping）：它根据估计的轨迹，建立与任务要求对应的地图。

视觉里程计：根据相邻的图像估计相机的运动，不可避免地存在漂移。目前基本存在两种主要方法：特征点法（第七讲）、直接法（第八讲）

后端优化：从带有噪声的数据中优化轨迹和地图，解决状态估计的问题。后端优化要考虑状态估计的不确定性有多大——即最大后验概率估计（MAP）。后端优化的方法前期以EKF为代表，现在以图优化为代表。（第十讲、第十一讲）

回环检测：词袋模型（第十二讲）

建图：（第十三讲）

SLAM问题的数学描述：

 

　　前一个方程为运动方程，描述了从k-1时刻到k时刻，机器人的位置是如何变化的。（u为传感器的输入，w为该过程中加入的噪声）

　　后一个方程为观测方程，描述了k时刻机器人在x位置上看到了某个路标y，产生了一个观测数据z。（u为这次观测的噪声）

Cmake的使用：

　　cmake过程处理了工程文件之间的关系，make过程实际调用了g++来编译工程。

使用库文件：

　　在Linux中，库文件分为静态库和共享库两种，静态库以.a作为后缀名，共享库以.so作为后缀名。所有库文件都是一些函数打包后的集合，差别在于静态库每次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。

　　add_library(hello libHelloeSLAM.cpp)——添加静态库

　　add_library(hello SHARED llibHelloSLAM.cpp)——添加动态库

　　库文件是一个压缩包，里面有编译好的二进制函数。不过，如果仅有.a或.so库文件，那么我们并不知道里面的函数到底是什么，调用的形式又是什么样。为了让别人（或者自己）使用这个库，我们需要提供一个头文件，说明这些库里都有些什么。因此，对于库的使用者，只要拿到了头文件和库文件，就可以调用这个库了。

　　另外，还需要完成可执行程序链接与要使用的库的链接：

　　add_executable(useHello useHello.cpp)

　　target_link_libraries(useHello hello_shared)

集成开发环境IDE：Kdevelop