《视觉SLAM 十四讲》（高翔） 第一讲 前言 笔记+作业

SLAM：

SLAM 是Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与地图构建”。它是指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。如果这里的传感器主要为相机，那就称为“视觉SLAM”。

SLAM的目的是解决“定位”与“地图构建”这两个问题，定位就是要估计传感器自身的位置，地图构建就是要建立周围环境的模型。

目前与SLAM 相关的书籍主要有《概率机器人》（Probabilistic robotics）、《计算机视觉中的多视图几何》（Multiple View Geometry in Computer Vision）、《机器人学中的状态估计》（State Estimation for Robotics: A Matrix-Lie-Group Approach）等。它们内容丰富、论述全面、推导严谨，在SLAM 研究者中间是脍灸人口的经典教材。

十四讲的所有源代码都在GitHub上：https://github.com/gaoxiang12/slambook

作业

可参考 つき 的整理.

1. 若R（A，b）>R(A) ，无解 增广矩阵的秩与系数矩阵的秩
   若R（A，b）=R(A) ，唯一解
   若R（A，b）<R(A) ，无穷解
   求解方法：高斯消元法/奇异值分解/…
2. 正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution）.若随机变量X服从一个数学期望为μ、方差为σ^{2的正态分布，记为N(μ，σ}2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
   一维正态分布的概率密度函数: