SLAM的基础概念。

  SLAM是Simultaneous Localization and Mapping的缩写，同时定位与地图构建。

1.基础概念

• 单目相机：只使用一个相机的进行SLAM的做法称作单目SLAM(Monocular SLAM)。但只有二维信息，没有深度信息。如果想要恢复三维结构信息，那么必须改变相机的视角——y移动相机。
• 视差：近处的物体移动快，远处的物体运动慢。当相机移动时，就会形成视差。
• 尺度：单目SLAM估计的轨迹与地图与真实的轨迹与地图相差一个因子，称之为尺度。但是单目SLAM无法仅凭图像确定真实尺度，成为尺度不确定性。
• 双目相机：双目相机有两个单目相机组成，两个相机之间的距离是已知的，成为基线。与人眼的测量的原理相类似。这个技术需要大量计算才能估计每一个像素点的深度。(双目相机的测量距离与基线相关，基线越大，测量距离越大)双目相机非常耗费计算资源，往往需要FPGA或GPU加速。
• 深度相机，又称RGB-D相机，其是通过红外结构光或者Time-of-Flight（飞行时间）。像激光传感器那样向物体发射光并接收返回的光。常见的RGB-D相机有Kinect、xtion Pro Live、RealSence。

2.框架介绍

经典框架图：

SLAM流程如下：

• 1.传感器信息读取：进行相机信息的读取和预处理。可能还会有码盘、惯性传感器等信息的读取和同步。
• 2.视觉里程计(Visual Odometry)：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。
• 3.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。
• 4. 回环检测：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，会把信息提供给后端处理。
• 5.建图：根据估计的轨迹，建立与任务要求对应的地图。

  在视觉SLAM中，前端和计算机视觉研究领域更为相关。比如图像的特征提取与匹配。后端则主要是滤波与非线性优化算法。

3.方程

抽象数学模型：

$$
x_k=f(x_{k-1}, u_k, w_k)
$$
$x_k$为位置信息，$u_k$为输入，$w_k$为噪声。
观测方程：

$$
z_{k,j}=h(y_j,x_k,v_{k,j})
$$
在$x_k$位置看到路标点$y_j$,产生一个标志$z_{k,j}$。$v_{k,j}$为噪声。

这两个工程方程描述了最基本的SLAM问题，SLAM建模问题就是一个状态估计问题。

分类：分为线性/非线性、高斯、非高斯系统。

• 线性高斯系统(Linear Gauss)是最简单的