• 計算slam軌跡的rmse的開源程序

　　tum tool，EuRoC數據集的測評工具evo，或者高翔說小腳本自己寫一下10分鐘搞定。

• 如何解決光照變化情況下的特征點匹配問題？

　　策略1：室外沒什麽好的思路，室內的話機器人上弄個特定頻段的紅外光源，攝像頭加帶通濾光片，是比較直接有效的方法

　　策略2：當一種傳感器不行的時候，這個時候就要考慮再加一個傳感器，並且把兩種傳感器信號進行融合

• ukf

　　ukf的主要問題是協方差的正定性沒有卡爾曼濾波那樣有裏卡提方程做保障，這是工程中的大忌諱

• ekf

　　擴展卡爾曼濾波

• ekf和ukf計算過程中都需要設置process noise convariance Q 矩陣，有沒有相應的設置規則？

　　參考paul zarchan的書，比較工程，Fundamentals of Kalman Filtering A Practical Approach, Third Edition。這本書評價極高，詳見http://bbs.loveuav.com/thread-333-1-1.html。

　　Q的參數設置非常不好調，必須保證濾波增益讓系統收斂，濾波又比較容易進入穩態，增益後期會特別小，不起作用。因此總結為一句話就是要保證卡爾曼濾波在誤差收斂之前不進入穩態。因此slam轉向優化的方向是沒錯的，卡爾曼濾波一步更新，優化可以多次叠代。

• epf

　　particle filter 擴展粒子濾波

• 後端劃分

　　歐式空間的卡爾曼濾波，歐式空間的非線性濾波(此處應是非線性優化)，非歐空間的非線性濾波（此處也應是非線性優化）。

　　其中第二種的論文和代碼都比較成熟了，要關註的是第三種，也是slam領域的黃金成果，另外，就是集群，多個時間維度的平方根解法。

　　對於姿態這種非歐量，有的要在歐式的切空間上來搞，有的直接優化姿態。現在有直接優化姿態的方法：gtsam他們都是，後來看控制的left invariant kf也是這種操作，把3*3矩陣當3維流形耍。。。

• gmapping

SLAM細碎內容積累_來自各種技術交流群_持續更新