[十四讲-1]1-2章总结

最近在看《视觉SLAM十四讲》，在此对一些关键点进行总结和记录。

第一章：预备知识

1. SLAM - Simultaneous Localization and Mapping，中文翻译“同时/同步定位与地图构建”。
2. 主要解决的问题是当设备（机器人、手机…）进入一个陌生的环境中时：1. 感知自身的位置（定位Localization）；2. 感知周围的环境（地图构建mapping）。
3. 这个问题的特殊性在于：要求实时的进行；没有环境的先验知识（有些也要求有）；定位和地图构建是同步的，两者相辅相成。
4. 所用的传感器多种多样：相机、Lidar、IMU、编码器、超声波…，其实SLAM应该是一个特殊化的状态估计问题，或者是多传感器融合问题。

课后题中有一个如何求解 的问题，这个是经常遇到的一个问题。不同的参数状态有不同的求法，如SVD分解、QR分解，而在 BA 优化中，还会用到舒尔补来加速求解。这个问题以后会单独拿出来分析。

第二章：初识SLAM

SLAM要解决的问题定位+环境建模。

SLAM相对于在环境中布置外部标志、外部传感器的方式，更加通用、灵活，不需要改造环境，这也是最近AR领域的定位问题都在试图用SLAM技术解决，如苹果的ARkit、Google的AR core和百度的DuMix。

视觉传感器：单目、双目、多目、深度、Event-Base、IR…

1. 单目相机缺少一个尺度；
2. 双目相机能够提供尺度信息，但是精度与基线距离、物体远近有关；计算量大，匹配困难；
3. RGBD相机，可以提供一定距离的深度信息，但是一般只能用在室内；

经典的视觉SLAM框架

1. 前端：对传感器数据进行抽象；估计连续两帧图像之间的位姿-视觉里程计；构造后端优化用的Graph；由于视觉里程计只估计帧间运动，因此会产生累计误差，这个问题会利用后端的优化和闭环检测来解决。
2. 后端：根据里程计和回环信息，进行全局优化，得到全局一直的地图和位姿；后端求解一个最大后验概率估计问题，主要采用滤波和非线性优化的方法。
3. 回环检测：检测是否发生回环，提供回环约束；
4. 建图：根据估计的轨迹，建立环境模型，具体建立什么样的地图由任务驱动；可分为 度量地图、拓扑地图、语义地图、混合地图……

经典SLAM的假设 ：1. 环境是静态的；2. 环境是一个刚体；3.光照变化不明显；4没有人为干扰。

通用数学表达

$$\left\{\begin{array}{c} x_k = f(x_{k-1},\ u_k, \omega_k) \\ z_{k,j} = h(y_j, x_k, v_{k,j}) \end{array} \right. \\$$

不同的传感器，不同的设备有不同的参数化形式。