视觉SLAM第2讲｜初识SLAM：经典框架、传感器选型与工程环境全梳理

第1讲我们过完了预备知识的自测题，从这一讲开始正式进入SLAM的世界。如果说SLAM是一座技术大厦，第2讲就是先给你画一张总平面图：告诉你SLAM到底是干什么的，有哪些主流传感器方案，一个完整的SLAM系统由哪几个模块组成，以及做SLAM开发需要搭建什么样的编程环境。

一、SLAM到底是什么？

SLAM是 Simultaneous Localization and Mapping 的缩写，中文叫同时定位与地图构建 。

说人话就是：一个搭载传感器的机器人，在完全陌生的环境里，一边移动一边摸清周围环境的结构，同时搞清楚自己此刻在什么位置。

这件事听着很自然------人走进陌生房间，走两圈也就知道房间布局和自己在哪了。但对计算机来说，这是个非常经典的难题：你没有地图就没法定位，你定位不准又建不准地图，两个问题互相耦合，和我们之前讲的"鸡生蛋还是蛋生鸡"是一个逻辑。

传感器的两大路线

要完成SLAM，首先得有传感器。按照是不是依赖环境布置，我们可以分成两类：

环境布置式 ：比如地面导轨、二维码地标、GPS定位。
优点是直接读位置，简单稳定；缺点是必须先改造环境，未知场景用不了，不具备通用性。
本体携带式 ：相机、激光雷达、IMU惯性单元、轮式编码器。
传感器装在机器人身上，不要求环境做任何改造，未知场景也能工作。这才是SLAM研究的核心，也是视觉SLAM的主战场。

💡通俗解释：前者就像商场里贴了地贴的指引机器人，沿着地带走就行；后者就像探险者，全靠自己的眼睛和感知探路，适用面广得多，但技术难度也大得多。

三类视觉传感器对比

视觉SLAM，核心传感器就是相机。常见的有三类，各有优劣：

类型	核心原理	优点	核心短板
单目相机	单个摄像头成像	结构简单、成本极低、场景不限	单张图无深度，必须运动才能估计深度；存在尺度不确定性
双目相机	左右双摄，靠视差算深度	直接输出真实尺度，被动成像，室内外都能用	基线短，远距离精度差；视差计算量大
RGB-D相机	主动发射红外光，飞行时间/结构光测深度	直接出像素级深度，不用算法算视差	测量距离近、易受日光干扰，大多仅限室内

这里重点说下单目最经典的尺度不确定性 ：

单目相机只能通过像素的相对大小判断远近，没法知道真实尺寸。你把整个场景和相机运动同时放大2倍，单目相机看到的图像是完全一样的。所以单目SLAM的轨迹和地图，天然就差一个未知的尺度因子，必须靠其他方式（比如IMU、已知尺寸的物体）来标定真实尺度。

💡通俗解释：就像你看一张风景照，你没法知道照片里的山是真的千米高山，还是桌上的模型山。单目SLAM就是这个感觉，只能算出相对形状，真实大小是飘的。

二、经典视觉SLAM框架：五大模块

一个完整的视觉SLAM系统，拆解开就是标准的五层结构，从前往后依次是：传感器读取、视觉里程计、后端优化、回环检测、建图。

1. 传感器信息读取

最前端的输入层，负责读取相机图像、IMU数据、轮速里程计数据，做时间戳对齐和预处理。

别小看这一步，实际工程里多传感器时间同步没做好，后面的算法再强也白搭。

2. 视觉里程计（VO，前端）

视觉里程计的任务是：估算相邻两帧图像之间相机的运动，恢复局部的三维结构 。

比如第k帧和第k+1帧，通过特征匹配或者直接法，算出这两帧之间相机转了多少、平移了多少。

💡通俗解释：就像你蒙眼走路，一步一步数自己迈了多远、转了多少度。优点是快，能实时输出；缺点是每一步都有一点点误差，走的步数多了，误差累积起来，轨迹就会慢慢飘走，这就是漂移。

3. 后端优化

后端接收前端传过来的所有时刻的相机位姿，再加上回环检测的约束，做全局的优化，得到一条全局一致的轨迹和地图。

如果说前端是"走一步算一步"，后端就是"把所有步放在一起，算一个全局最优解"。

💡通俗解释：相当于你走完一段路之后，把所有步数的误差重新匀一匀，让整体的偏差最小。早期SLAM的研究几乎全在后端，从卡尔曼滤波到后来的图优化，都是后端的核心技术。

4. 回环检测

回环检测专门解决漂移问题：判断机器人是不是回到了之前曾经来过的地方。

如果检测到"哦这个地方我来过"，就往后端里加一条约束：这两个时刻其实是同一个位置。后端根据这个约束，把整条轨迹"拉"回来，就能消除累积的漂移。

💡通俗解释：就像你逛街的时候，突然看到了之前来过的便利店，立刻就反应过来"我到这了"，之前走歪的路线一下就纠正了。回环检测是消除累积误差最关键的手段。

5. 建图

最后一步，根据估计出来的相机轨迹，构建任务需要的地图。

地图不是只有一种，按需构建：

稀疏地图：只要路标特征点，用来定位就行，量小速度快；
稠密地图：重建所有看到的表面，用来导航避障、可视化；
拓扑地图：只记录地点和连通关系，不关心精确坐标，用来路径规划。

三、SLAM问题的数学表述

讲完直观框架，我们用数学语言把SLAM问题抽象一下，后面所有算法都是在解这个问题。

两个核心方程

我们把离散时刻k的机器人位姿记为xkx_kxk，地图里的路标点记为yjy_jyj。整个SLAM过程就由两个方程描述：

运动方程 ：k时刻的位姿，等于上一时刻位姿经过运动输入之后的结果，再加上噪声。
描述机器人是怎么运动的。
观测方程 ：k时刻相机看到了第j个路标点，得到的观测值，等于路标点投影到相机的结果，再加上观测噪声。
描述相机是怎么看到环境的。

状态估计问题

SLAM本质上就是个状态估计问题 ：已知运动输入和观测数据，反过来估计机器人的位姿和地图坐标。

求解思路主要分两派：

增量式（滤波器） ：来一帧数据就更新一次当前状态，只保留当前时刻的估计。代表是扩展卡尔曼滤波EKF。
优点是快、内存小；缺点是累积误差，适合早期算力弱的场景。
批量式（图优化） ：把一段时间所有数据攒起来，一起优化出全局最优的结果。代表是基于图的非线性优化。
优点是精度高、效果好；缺点是计算量更大。现在视觉SLAM的主流方案就是图优化。

💡通俗解释：增量式像边走路边算账，走一步记一笔，快但容易算错；批量式像月底统一对账，算得准但要攒数据。实际工程里大多用滑动窗口折中：保留最近N帧优化，老的固定住，兼顾精度和速度。

四、实践：SLAM开发环境怎么搭？

理论最终要落地到代码。第2讲的实践部分，就是把SLAM开发的基础工程环境搭起来。

1. 为什么选Linux

SLAM领域的核心库（Eigen、OpenCV、Ceres、g2o、Sophus），对Linux的支持都是最好的，安装配置简单，编译运行顺畅。

主流发行版选Ubuntu就行，对新手友好，软件源全。

2. 编译基础：g++编译器

C++源码是文本文件，需要编译器编译成可执行文件才能运行。Linux下最常用的就是g++。

最简单的编译命令：

bash 复制代码

g++ helloSLAM.cpp

编译完生成a.out可执行文件，直接运行即可。

3. CMake：工程管理工具

小工程一两文件可以手动敲g++，文件多了、有第三方库依赖了，就必须用工程管理工具。CMake就是SLAM领域最通用的工程管理工具。

标准的CMake编译流程：

bash 复制代码

mkdir build  # 建一个编译中间目录
cd build
cmake ..   # 对上一层源码做配置，生成Makefile
make      # 编译整个工程

💡通俗解释：g++是单个文件的编译器，CMake是整个工程的大管家。它帮你管哪些文件要编译、依赖哪些库、链接顺序是什么，不用你自己手动敲几十条编译命令。

库的概念

代码除了直接编译成可执行文件，还可以打包成库：

静态库.a：调用的时候直接复制进程序里，程序体积大，不用依赖外部库文件；
共享库.so：程序运行的时候再加载，多个程序可以共用，省内存。

调用一个库，需要两样东西：头文件 （声明函数长什么样）和库文件（编译好的二进制实现）。链接的时候把两者对应上，程序就能调用库函数了。

4. IDE选择

纯文本写代码效率太低，工程开发推荐用IDE。Linux下常用两个：

KDevelop：免费开源，原生支持CMake工程，基础的代码跳转、断点调试都有，新手入门够用。
Clion：JetBrains出品，功能全面体验好，收费，学生可以用教育邮箱免费申请。

IDE最有用的功能就是断点调试：打个断点，程序跑到这就停下，能看每个变量的值，单步运行看逻辑怎么走，排错效率比打印日志高太多。

五、知识体系全景

#mermaid-svg-txJNr2CdahVTAgBb{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-txJNr2CdahVTAgBb .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-txJNr2CdahVTAgBb .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-txJNr2CdahVTAgBb .error-icon{fill:#552222;}#mermaid-svg-txJNr2CdahVTAgBb .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-txJNr2CdahVTAgBb .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-txJNr2CdahVTAgBb .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-txJNr2CdahVTAgBb .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-txJNr2CdahVTAgBb .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-txJNr2CdahVTAgBb .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-txJNr2CdahVTAgBb .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-txJNr2CdahVTAgBb .marker{fill:#333333;stroke:#333333;}#mermaid-svg-txJNr2CdahVTAgBb .marker.cross{stroke:#333333;}#mermaid-svg-txJNr2CdahVTAgBb svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-txJNr2CdahVTAgBb p{margin:0;}#mermaid-svg-txJNr2CdahVTAgBb .edge{stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .section--1 rect,#mermaid-svg-txJNr2CdahVTAgBb .section--1 path,#mermaid-svg-txJNr2CdahVTAgBb .section--1 circle,#mermaid-svg-txJNr2CdahVTAgBb .section--1 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section--1 path{fill:hsl(240, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section--1 text{fill:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon--1{font-size:40px;color:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge--1{stroke:hsl(240, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth--1{stroke-width:17;}#mermaid-svg-txJNr2CdahVTAgBb .section--1 line{stroke:hsl(60, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-0 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-0 path,#mermaid-svg-txJNr2CdahVTAgBb .section-0 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-0 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-0 path{fill:hsl(60, 100%, 73.5294117647%);}#mermaid-svg-txJNr2CdahVTAgBb .section-0 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-0{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-0{stroke:hsl(60, 100%, 73.5294117647%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-0{stroke-width:14;}#mermaid-svg-txJNr2CdahVTAgBb .section-0 line{stroke:hsl(240, 100%, 83.5294117647%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-1 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-1 path,#mermaid-svg-txJNr2CdahVTAgBb .section-1 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-1 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-1 path{fill:hsl(80, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-1 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-1{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-1{stroke:hsl(80, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-1{stroke-width:11;}#mermaid-svg-txJNr2CdahVTAgBb .section-1 line{stroke:hsl(260, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-2 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-2 path,#mermaid-svg-txJNr2CdahVTAgBb .section-2 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-2 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-2 path{fill:hsl(270, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-2 text{fill:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-2{font-size:40px;color:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-2{stroke:hsl(270, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-2{stroke-width:8;}#mermaid-svg-txJNr2CdahVTAgBb .section-2 line{stroke:hsl(90, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-3 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-3 path,#mermaid-svg-txJNr2CdahVTAgBb .section-3 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-3 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-3 path{fill:hsl(300, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-3 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-3{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-3{stroke:hsl(300, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-3{stroke-width:5;}#mermaid-svg-txJNr2CdahVTAgBb .section-3 line{stroke:hsl(120, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-4 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-4 path,#mermaid-svg-txJNr2CdahVTAgBb .section-4 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-4 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-4 path{fill:hsl(330, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-4 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-4{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-4{stroke:hsl(330, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-4{stroke-width:2;}#mermaid-svg-txJNr2CdahVTAgBb .section-4 line{stroke:hsl(150, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-5 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-5 path,#mermaid-svg-txJNr2CdahVTAgBb .section-5 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-5 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-5 path{fill:hsl(0, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-5 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-5{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-5{stroke:hsl(0, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-5{stroke-width:-1;}#mermaid-svg-txJNr2CdahVTAgBb .section-5 line{stroke:hsl(180, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-6 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-6 path,#mermaid-svg-txJNr2CdahVTAgBb .section-6 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-6 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-6 path{fill:hsl(30, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-6 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-6{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-6{stroke:hsl(30, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-6{stroke-width:-4;}#mermaid-svg-txJNr2CdahVTAgBb .section-6 line{stroke:hsl(210, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-7 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-7 path,#mermaid-svg-txJNr2CdahVTAgBb .section-7 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-7 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-7 path{fill:hsl(90, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-7 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-7{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-7{stroke:hsl(90, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-7{stroke-width:-7;}#mermaid-svg-txJNr2CdahVTAgBb .section-7 line{stroke:hsl(270, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-8 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-8 path,#mermaid-svg-txJNr2CdahVTAgBb .section-8 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-8 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-8 path{fill:hsl(150, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-8 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-8{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-8{stroke:hsl(150, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-8{stroke-width:-10;}#mermaid-svg-txJNr2CdahVTAgBb .section-8 line{stroke:hsl(330, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-9 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-9 path,#mermaid-svg-txJNr2CdahVTAgBb .section-9 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-9 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-9 path{fill:hsl(180, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-9 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-9{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-9{stroke:hsl(180, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-9{stroke-width:-13;}#mermaid-svg-txJNr2CdahVTAgBb .section-9 line{stroke:hsl(0, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-10 rect,#mermaid-svg-txJNr2CdahVTAgBb .section-10 path,#mermaid-svg-txJNr2CdahVTAgBb .section-10 circle,#mermaid-svg-txJNr2CdahVTAgBb .section-10 polygon,#mermaid-svg-txJNr2CdahVTAgBb .section-10 path{fill:hsl(210, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-10 text{fill:black;}#mermaid-svg-txJNr2CdahVTAgBb .node-icon-10{font-size:40px;color:black;}#mermaid-svg-txJNr2CdahVTAgBb .section-edge-10{stroke:hsl(210, 100%, 76.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .edge-depth-10{stroke-width:-16;}#mermaid-svg-txJNr2CdahVTAgBb .section-10 line{stroke:hsl(30, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-txJNr2CdahVTAgBb .disabled,#mermaid-svg-txJNr2CdahVTAgBb .disabled circle,#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:lightgray;}#mermaid-svg-txJNr2CdahVTAgBb .disabled text{fill:#efefef;}#mermaid-svg-txJNr2CdahVTAgBb .section-root rect,#mermaid-svg-txJNr2CdahVTAgBb .section-root path,#mermaid-svg-txJNr2CdahVTAgBb .section-root circle,#mermaid-svg-txJNr2CdahVTAgBb .section-root polygon{fill:hsl(240, 100%, 46.2745098039%);}#mermaid-svg-txJNr2CdahVTAgBb .section-root text{fill:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .section-root span{color:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .section-2 span{color:#ffffff;}#mermaid-svg-txJNr2CdahVTAgBb .icon-container{height:100%;display:flex;justify-content:center;align-items:center;}#mermaid-svg-txJNr2CdahVTAgBb .edge{fill:none;}#mermaid-svg-txJNr2CdahVTAgBb .mindmap-node-label{dy:1em;alignment-baseline:middle;text-anchor:middle;dominant-baseline:middle;text-align:center;}#mermaid-svg-txJNr2CdahVTAgBb :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 初识SLAM
核心概念
定义同时定位与地图构建
本质位姿与地图耦合估计
核心难点累积漂移
传感器体系
环境布置式 GPS 二维码导轨
本体携带式相机激光雷达 IMU
视觉传感器
单目相机尺度不确定性
双目相机基线视差测深度
RGB-D相机主动光测深度
经典框架
传感器数据读取时间同步
视觉里程计前端
相邻帧运动估计
局部地图恢复
存在累积漂移
后端优化
全局状态优化
最小化整体误差
回环检测
场景重识别
消除累积漂移
建图模块
稀疏点云地图
稠密重建地图
拓扑连通地图
数学表述
运动方程位姿传递
观测方程投影模型
状态估计
增量式卡尔曼滤波
批量式图优化
工程实践
系统 Ubuntu Linux
编译器 g++
工程管理 CMake
build外编译
静态库共享库
开发IDE
KDevelop 免费开源
Clion 专业级

小结

第2讲是整个视觉SLAM的总纲，先把骨架搭起来：从传感器到前端、后端、回环、建图，再到数学抽象和工程环境。

后面的第3讲到第6讲，都是在打基础：三维刚体运动、李群李代数、相机模型、非线性优化。把这些数学工具掌握了，再去学后面的视觉里程计、后端优化，就会顺理成章，知道自己在学哪一块、解决的是什么问题。