【视觉SLAM十四讲】学习笔记-第二讲

其他章节：
    第二讲：初识SLAM

初识SLAM

        SLAM(Simultaneous Localization and Mapping)，同时定位与地图构建。它是指搭载特定传感器主体，在没有环境先验信息的情况下，于运动过程中建立环境模型，同时估计自己的运动。

相机介绍

        单目相机：即一个摄像头，这种传感器结构简单，成本低；缺点是但是它以二维的形式反映了三维的世界，丢掉了深度，因此平移之后才能计算深度，但仍然无法确定真实尺度。
        双目相机：由两个单目相机组成，但两个相机之间的距离（基线）已知，因此我们通过基线来估计每个像素的空间位置。它的缺点是配置与标定均较为复杂，其深度量程和精度受基线和分辨率所限；并且视差的计算非常消耗计算资源。
        深度相机：通过红外结构光原理，测出物体与相机之间的距离，因此可以节省大量的计算；但目前多数深度相机还存在测量范围窄、噪声大、视野小、易受日光干扰、无法测量透射材质等诸多问题。

经典视觉SLAM框架

        1.传感器信息读取。在视觉SLAM中主要为相机图像信息的读取和预处理。如果是在机器人中，还可能有码盘、惯性传感器等信息的读取和同步。

        2.视觉里程计(Visual Odometry, VO)。估算相邻图像间相机的运动，以及局部地图的样子。
        VO能够通过相邻帧间的图像估计相机运动，并恢复场景的空间结构，它和实际的里程计一样，只计算相邻时刻的运动。但是由于里程计的工作方式，导师误差会传递，形成累计漂移。

        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。
        主要指SLAM过程中噪声的问题。后端优化要考虑的，就是如何从有噪声的数据中估计整体系统的状态，以及这个状态估计的不确定性有多大(最大后验概率估计MAP)。

        4.回环检测(Loop Closing) 。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，它会把信息提供给后端进行处理。
        主要解决位置估计随时间漂移的问题。通过识别到过的场景，并把“A与B是同一个点”的信息告诉后端优化算法；然后后端根据这些新的信息，把轨迹和地图调整到符合回环检测结果的样子。这样，如果我们有充分而且正确的回环检测，就可以消除累积误差，得到全局一致的轨迹和地图。

        5.建图(Mapping)。它根据估计的轨迹，建立与任务要求对应的地图。.
        大体分为度量地图和拓扑地图。度量地图强调精确地表示地图中物体的位置关系，通常用稀疏与稠密对其分类。稀疏地图并不需要表达所有的物体；稠密地图着重于建模所有看到的东西。拓扑地图更强调地图元素之间的关系。拓扑地图由节点和边组成，只考虑节点间的连通性。

SLAM问题的数学表述

        若机器人在离散时刻$t=1,...,k$中的位置为$x=x_1,...,x_k$，那么从$k-1$时刻到$k$时刻，机器人的位置可以抽象成一个运动方程：$x_k=f(x_{k-1},u_k,w_k)$。其中，$u_k$是运动传感器读数(输入)，$w_k$为噪声
        假设地图中有$N$个路标$y_1,...,y_N$，当机器人在$x_k$位置上看到某个路标点$y_j$，产生了一个观测数据$z_{k,j}$，同样可以抽象成一个观测方程：$z_{k,j}=h(y_j,x_k,v_{k,j})$。其中，$v_{k,j}$是这次观测里的噪声。

实践部分

使用的vm虚拟机，ubuntu20.04版本。

        首先是基础的创建文件(vim记得要sudo权限，第一次没加没法写入。)

        书里示例程序：

        使用g++编译，并运行out文件：

        为了便捷管理未来的项目，书里介绍了cmake生成makefile

        使用命令sudo cmake .编译

        生成的Makefile可以用make命令进行

这一节都是基础，之前基本都用过学过，包括后面的库函数之类的，不多写了