一. SLAM框架
1. 视觉里程计（Visual Odometry, VO）
- 估算相邻图像间相机的运动 + 局部地图的样子
- 涉及图像的特征提取与匹配等（计算机视觉）
- 只计算相邻时刻，出现累计漂移（Accumulating Drift）
2. 后端优化（Optimization）
- 处理SLAM过程中噪声的问题
- 主要为滤波与非线性优化算法
- 最大后验概率估计（Maximum-a-Posteriori, MAP）
3. 回环检测（Loop Closing）
- 解决位置估计随时间漂移的问题（让机器人经过一段时间运动后回到原点）
- 判断机器人是否曾经到达过先前的位置
4. 建图（Mapping）
- 构建地图的过程
- 度量地图（Metric Map） + 拓扑地图（Topological Map）
二. 李群与李代数
1. 李群
- 群：一种集合加上一种运算的代数结构
- 一般线性群 GL(n)
- 特殊正交群 SO(n)
- 特殊欧氏群 SE(n)
- 李群：具有连续（光滑）性质的群
2. 李代数
- 每个李群都有与之对应的李代数。描述了李群的局部性质。
- 由一个集合V，一个数域F和一个二元运算[,]组成。（V, F, [,]）
三. 相机成像原理
四. 视觉里程计
1. 特征提取和匹配
1.1 特征点
- 特征点在相机运动之后保持稳定
- 特征点：关键点（位置、朝向、大小等） + 描述子（向量，描述了关键点周围像素的信息）
1.2 特征提取
- SIFT（充分考虑了光照、尺度、旋转等变化；极大的计算量）
- ORB（实时）
1.3 特征匹配
- 暴力匹配（Brute-Force Matcher）
- 快速近似最近邻（FLANN）
2. 2D-2D：对极几何
3. 3D-2D：PnP
3.1 直接线性变换（DLT）
- R T 12个未知数，直接线形求解；
- 最少需要六对匹配点；
3.2 P3P
- 只利用三个点的信息（给定配对点多于3组时，难以利用更多的信息）
- 如果3D或2D点受噪声影响，或者存在误匹配，则算法失效
3.3 BA（Bundle Adjustment）
- 将相机位姿与空间点位置都看作优化变量，最小化重投影误差
3.4 EPnP
