第一讲 预备知识

给了slam书籍，还有本书代码。

GitHub - gaoxiang12/slambook2: edition 2 of the slambook

第二讲 初识slam

介绍了经典slam框架：

传感器信息的读取和时间同步

前端视觉里程计VO：用几帧数据，估计局部运动和局部地图

后端（非线性）优化：接受不同时刻的相机位姿，以及回环检测的信息，得到全局轨迹和地图

回环检测：从传感器信息读取那里开始进行的，看看是否到达过先前的位置，如果检测到回环，就把信息提供给后端进行处理

建图：根据估计的轨迹，建立与任务要求对应的地图。

slam的数学描述

第三讲 三维空间刚体运动

介绍了物体刚体运动的表示（旋转+平移）。

工程问题：在相机视野里的一个向量在大地坐标系下的坐标是什么？

解决办法是：通过坐标转换，把相机（车）坐标系中的坐标转换到大地坐标系。两个坐标系转换的过程实际上是一个旋转加一个平移，也就是刚体运动（旋转+平移）

解决标定的问题。

---

对于转换中的旋转，用欧拉角可以直观的进行理解，但是如果工程中用的话，可能会出现万向锁的问题，如何理解万向锁，可以参考下面的视频。

 【无伤理解欧拉角中的“万向死锁”现象】百度安全验证

那么我们一般不用欧拉角，我们用四元数或其他表示方法。

---

旋转向量（旋转轴+旋转角）：方向与旋转轴一致，长度等于旋转角。

转角

转轴 ：旋转轴上的向量在旋转后不发生改变，说明。那么，转轴是矩阵R特征值1对应的特征向量。

要把书后的实践和课后题写了。

---

第四讲 李群与李代数

介绍了对刚体运动（位姿们）的估计和优化。我们把这个构建成一个优化问题，求解最优的R，t，使得误差最小化。

---

李群和李代数是可以对应的，每个李群的元素都可以找到一个李代数的元素对应。但是可能存在多个李代数的元素，对应到同一个李群。对于旋转角，我们知道多转360° 和没有转是一样的。如果我们把角度固定在[-π，π]之间，那么李群和李代数元素是一一对应的。

我可以理解为，李群和李代数就是一个个位姿

---

和  有三个自由度，表示三维旋转。

  和 有六个自由度，表示三维变换。三维变换是三个方向上的平移加三维旋转。

---

李代数求导与扰动模型

BCH公式：可以用来描述李群乘法与李代数加法之间的关系。为之后李代数上做微积分提供了理论基础。

我现在要估计我的位姿T准不准，我想让实际的数据与观测数据间的误差尽可能小，来寻找一个最优的T。我们构建的目标函数J是一个关于位姿T的函数。我们经常会构建与位姿有关的函数，然后讨论该函数关于位姿的导数，以调整当前的估计值。

李代数求导结果中有6阶的雅可比矩阵，不好算，所以我们选择更实用的扰动模型。

所以，我们求导结束之后得到的结果是啥呢？？？？我们最终得到我最可能的位姿T了吗？

第五讲 相机与图像

内外参
内参是相机本身的，由针孔模型和畸变模型决定。描述把三维物体投射到二维平面的投影过程。
外参是相机的R和t，外参会随着相机运动发生改变，也就是slam待估计中的目标，代表机器人的轨迹。外参也有时解释成相机坐标系到机器人本体坐标系之间的转换，描述“相机安装在什么地方”

去镜头产生的畸变

略

单目成像原理

实践部分：

opencv

去畸变

---

 6.非线性优化

以现有的观测结果，估计现在最可能的状态。

---

特征点法和光流法是视觉slam独有的，可以暂时跳过。