感測器資訊讀取：在視覺slam中主要為相機影象資訊的讀取和預處理，如果是在機械人中，還可能有碼盤，慣性感測器等資訊的讀取和同步
視覺里程計(visual odometry,vo):視覺里程計的任務是估算相鄰影象間相機的運動，以及區域性地圖的樣子。vo又稱為前端(front end)
後端優化(optimization):後端接受不同時刻視覺里程計測量的相機位姿，以及回環檢測的資訊，對它們進行優化，得到全域性一致的軌跡和地圖。由於接在vo之後，又稱為後端(back end)
回環檢測(loop closing):根據估計的軌跡，建立與任務要求對應的地圖回環檢測判斷機械人是否到達過先前的位置，如果檢測到回環，他會把資訊提供給後端進行處理
稀疏地圖：進行了一定程度的抽象，並不需要表達所有的物體。
稠密地圖：通常按照某種解析度，由許多小塊組成。二維度量地圖是許多小格仔（grid），三維這是許多小方塊（voxel）。一般地含有佔據、空閒、未知三種狀態，以表達該格內是否有物體。
缺點：這種地圖需要儲存每乙個小格仔的狀態，耗費大量的儲存空間，而且多數情況下地圖的許多細節部分是無用的。另一方面，大規模度量地圖有時會出現一致性問題。很小的一點轉向誤差，可能會導致兩間屋子的牆出現重疊，使得地圖失效。
缺點：拓撲地圖不擅長表達具有複雜結構的地圖。如何對地圖進行分割形成結點和邊，又如何使用拓撲地圖進行導航與路徑規劃。
5.slam問題的數學描述
對於運動，記一段離散的時刻為t=1,2,..k,在這些時刻，用x表示自身位置，於是各時刻的位置就記為x1,x2,...xk,這些構成了運動軌跡。
對於地圖，假設地圖是由許多個路標組成的，而每個時刻，感測器會測量到一部分路標點，得到他們的觀測資料，設路標點共有n個，用y1,y2 ...yn來表示它們
運動方程：uk是運動感測器的讀數(有時也叫輸入)，wk是雜訊
觀測方程：vk,j是這次觀測裡的雜訊，在位置xk上看到某個路標點，產生了乙個觀測資料zk,j對於不同的感測器，這兩個方程有不同的引數化形式。如果我們保持通用性，把它們取成抽象形式，那麼slam過程可總結為上述兩個基本方程。這兩個方程描述了最基本的slam問題：當我們知道運動測量的讀數 u ,以及感測器的讀數 z 時，如何求解定位問題（估計 x）和建圖問題（估計 y）? 這時，我們把slam問題建模成了乙個狀態估計問題：如何通過帶有雜訊的測量資料，估計內部的、隱藏著的狀態變數？
狀態估計問題的求解，與兩個方程的具體形式，以及雜訊服從哪種分布有關。我們按照運動和觀測方程是否為線性，雜訊是否服從高斯分布進行分類，分為線性/非線性和高斯/非高斯系統。其中線性高斯系統（lg 系統）最為簡單，他的無偏最優估計可以由卡爾曼濾波器（kf）給出。而在複雜的非線性非高斯系統（nlng系統）中，我們會使用以擴充套件卡爾曼濾波器（ekf）和非線性優化兩大類方法去求解它。時至今日，主流視覺slam使用以圖優化（graph optimization）為代表的優化技術進行狀態估計。我們以為優化技術已經明顯優於濾波器技術，只要計算資源允許，我們通常都偏向於使用優化方法。
《視覺SLAM十四講》筆記 第二講 初識SLAM
自身位置 定位 周圍環境 建圖 感測器分類 視覺slam 強調未知環境 單目相機 monocular 單目相機的資料 影象 以二維的形式反映了三維的世界。無法通過單張得到深度資訊。存在尺度不確定性 雙目相機 stereo 兩個相機間的距離 基線已知。基線越大，能測量的距離越遠。因此，無人車上的雙目相...
視覺slam第二講筆記 初識slam和編譯
3.ide clion 源 hello.cpp 編譯 g hello.cpp 執行 a.out 建立工程執行編譯 首先，建立 cmakelists.txt，內容如下 cmake minimum required version 2.8 project projectname add executab...
視覺SLAM14講 習題及答案 第一講
當b 0時，設 高斯分布又稱正態分佈 一維形式 若隨機變數 則其概率密度函式為 理論上可以證明如果把許多小作用加起來看做乙個變數，那麼這個變數服從正態分佈。高維形式的高斯分布又稱多元正態分佈。它是單維正態分佈向多維的推廣，形式如下 類定義以關鍵字class開頭，後跟類的名稱。類的主體包含在花括號中，...