slam整体框架总结

框架：

前端、后端、回环检测、建图。

传感器分类：视觉方法：单目（Monocular）、双目（Stereo）、深度(RGB-D)、鱼眼全景等。
物理方法：TOF、结构光。
视觉里程计：通过图像估计相机运动。
后端优化：.去噪，优化轨迹和地图。
.最大后验概率估计MAP。
回环检测：.检测机器人是否回到最初的位置。
.识别到达过的场景。
.计算图像间的相似性。
可选择的方法有：（1）对任意两个关键帧进行特征匹配。
（2）基于里程计的方法。
（3）基于外观的方法。（主流方法，相对独立，与前端、后端无关。）
建图：.用于导航、路径规划、可视化等。
.度量地图VS拓扑地图。
.稀疏地图VS稠密地图。

相机与图像：

包括小孔成像模型与双目相机模型。https://www.jianshu.com/p/bd1a0afcddbe
注意公式推导。从像素坐标到世界坐标。
相机内参与外参：内参包括fx，fy，畸变，主点坐标x0，y0。（即便包括径向畸变与切向畸变。桶形失真与枕形失真。）
外参包括旋转矩阵（欧拉角，四元数，R3向量表示）与平移矩阵(x,y,z平移向量。)

视觉里程计

经典slam中：用位姿-路标描述SLAM。
视觉slam中：用图像特征点作为SLAM的路标。
特征点的信息：.位置、大小、方向、评分等——关键点
.特征点周围的图像信息——描述子
常用算法：SIFT/SURF/ORB
特征点匹配方法：暴力匹配、快速最近邻（FLANN）。
光流法特征提取与匹配，直接法。：运动较大时需要使用金字塔。同时该方法可以用于跟踪图像中的稀疏关键点的运动轨迹。

匹配分类：

对极几何：匹配2个单目图片，得到2D-2D之间的关系。（用于估计3D点位置，初始化）
PNP：匹配的是单目图片与地图，得到3D-2D之间的关系。（初始化后，匹配新来的图片。）
ICP：匹配的是RGB-D图，得到的是3D-3D之间的关系。（点云融合，RGB-D图匹配）

计算相机运动与点云（特征点）空间位置

熟悉计算时公式推导。计算时用到本质矩阵与基本矩阵（先计算基本矩阵再由基本矩阵计算本质矩阵）。
本质矩阵描述的是相机的旋转与平移。
基本矩阵与内参有关。
通过两步即可计算位姿：1.由匹配点计算E。
2.由E恢复R、t。（奇异值分解）
对极约束的性质：×任意非0常数依然满足。
E共5个*度。
（计算时当成普通矩阵，由八个*度）用8点法求解。
八点法：.用于单目SLAM的初始化。
.尺度不确定性：可通过归一化t或特征点的平均深度。
.纯旋转问题:t=0时无解。
.多于八对点时：用最小二乘或RANSAC法求。
三角化：求得R、t后利用三角化计算特征点的3D位置（深度）。
.解的精度与平移有关，平移大时特征匹配效果不好。相机前进时，图像中心的点无法三角化（因为没有视差）。