SLAM學習基礎（二）——《視覺SLAM十四講》讀後感、SLAM核心技術總結（部分）
（1）《視覺SLAM十四講》_高翔
第一遍學習：
《視覺SLAM十四講》這本書，很詳細的從幾何學的角度講述了SLAM的各種核心技術。是成為一名SLAM技術的邊緣OB者的不二選擇。
本書的前六講主要是在安裝庫（當然，順道介紹書數學基礎知識），SLAM執行需要的各種庫，因為我是在ubuntu16.04下做的，很多依賴項因為系統版本更新都變了，不過問題不大，如果安裝報錯，系統會提醒我們可以相應依賴項在什麼新的lib***-dev裡面有照著安就完事了。
系統這個東西，沒啥好說的。找本薄點的書，外加每個命令敲一敲，通過實踐來慢慢熟悉這個系統吧～
接下來的幾講，分別介紹了SLAM技術的前端，後端，迴環檢測和建圖。具體是什麼，看書吧，很詳細啦～
SLAM和SFM的區別，可以把SLAM理解成實時的SFM。同時SFM給出的影象可以不具有時間順序，並且因為沒有時間限制，可以不選擇0RB-SLAM（特徵點法的標杆）中的ORB做特徵點提取，可以選擇恢復三維模型效果更好的SIFT/SURF特徵提取方法。
這本書的核心在於向我們展示了完整而基礎的SLAM幾何框架下的核心技術，然而實際的SLAM系統是一個完整的東東，不會一個部分一個CMAKE，換言之一個main.cpp就完事了，所以你如果裡面那個部分暫時沒弄懂，別慌，有開源的完整程式碼在，那個能搞懂就OK了，當然能都跑一下，感受一下各部分的作用也是很棒的，加油！！！（這是我第一遍的理解，其實也有點問題，呵呵）
對了，學這本書的時候，學會看cmakelist.txt,不弄懂後面白搭！！！
第7章對應傳統的特徵點法，第8章對應較新一點的直接法。兩者各有千秋，我愛特徵！！
PS： 有對PL-SLAM感興趣的沒，交流一下啊～
第二遍學習：
第二遍看，發現4、6、10章串起來g2o那篇論文，這三章需要有一個整體的理解。並且他和Isam不是一路數，具體區別，還不知道。
第9章，是一個微型化的工程，在第一遍看的時候，C++基礎不牢固，也沒學設計模式，就簡單跑一下程式碼，這很不科學。有了相關基礎才能瞭解一個軟體框架為什麼這麼搭，這是看一個實際工程的基礎。所以，在第一遍近乎跳過的這一章，需要細細品讀。
（2）SLAM核心技術總結
（0）【泡泡機器人公開課】公開課連結（實時更新）
找自己相關，並且感興趣的東西看看吧～
https://www.rosclub.cn/post-1065.html
（1）Bundle Adjustment到底是什麼？
Bundle adjustment優化的是sum of reprojection error，這是一個geometric distance（為什麼要minimize geometric distance可以參考[Hartley00]），問題可以formulate成一個least squares problem， 如果nosie是gaussian的話，那就是一個maximum likelihood estimator，是這種情況下所能得到的最優解了。
機器人導航中，2D的特徵reproject回三維域內，和真正的3D點的位置會有偏差。但是在物理意義上，3D點和投射到攝像機的2D特徵點是同一個點。所以這個誤差出現在計算3D點時攝像機自身旋轉矩陣和位移向量上。
Bundle Adjustment的作用是，通過least square等演算法，去最小化這個偏差，以此得到機器人移動和方向的精確值。這在物理意義上是最精確的，是Visual SLAM問題的state-of-art解決方法。
作者：versatran01
連結：https://www.zhihu.com/question/29082659/answer/62472382
來源：知乎
著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處
下面是個人的一點認識：
以ORB-SLAM為例，我們談論BA，在ORB-SLAM中主要指的是Localmapping執行緒（後端）中同時對路標點和位姿進行區域性BA優化的過程。而在Tracking執行緒（前端）是進行僅位姿的優化估計，路標點是不進行調整的，這為了保證計算速度。
（2）RANSAC隨機抽樣一致性演算法
概述：
RANSAC演算法的輸入是一組觀測資料，一個可以解釋或者適應於觀測資料的引數化模型，一些可信的引數。
RANSAC通過反覆選擇資料中的一組隨機子集來達成目標。被選取的子集被假設為局內點，並用下述方法進行驗證：
1.有一個模型適應於假設的局內點，即所有的未知引數都能從假設的局內點計算得出。
2.用1中得到的模型去測試所有的其它資料，如果某個點適用於估計的模型，認為它也是局內點。
3.如果有足夠多的點被歸類為假設的局內點，那麼估計的模型就足夠合理。
4.然後，用所有假設的局內點去重新估計模型，因為它僅僅被初始的假設局內點估計過。
5.最後，通過估計局內點與模型的錯誤率來評估模型。
這個過程被重複執行固定的次數，每次產生的模型要麼因為局內點太少而被捨棄，要麼因為比現有的模型更好而被選用。
優缺點：
A. RANSAC的優點是它能魯棒的估計模型引數。例如，它能從包含大量局外點的資料集中估計出高精度的引數。RANSAC的缺點是它計算引數的迭代次數沒有上限；如果設定迭代次數的上限，得到的結果可能不是最優的結果，甚至可能得到錯誤的結果。RANSAC只有一定的概率得到可信的模型，概率與迭代次數成正比。RANSAC的另一個缺點是它要求設定跟問題相關的閥值。
RANSAC只能從特定的資料集中估計出一個模型，如果存在兩個（或多個）模型，RANSAC不能找到別的模型。
B. 經典RANSAC有以下三個主要的侷限性：
（1） 效率：經典方法效率與子集大小、類內點比例以及資料集大小有關，因此在某些場景下效率較低。
（2） 精度：經典方法計算引數時選取最小子集是從效率的角度考慮，往往得到的是非最佳引數，在應用產引數 之前還需要再經過細化處理。
（3） 退化：經典方法的目標函式求取最大化的過程基於一個假設：“選取的最小子集中如果有類外點，那麼在這種情況下估計的引數獲得的目標函式（資料集中點的個數）往往較少“但這種情況在退化發生時有可能是不對的。
https://blog.csdn.net/darlingqiang/article/details/79457596
RANSAC演算法與最小二乘法的不同之處主要有以下兩點：
- 最小二乘法總是使用所有的資料點來估計引數，而RANSAC演算法僅使用局內點；
- 最小二乘法是一種確定性演算法，給定資料集，每一次所得到的模型引數都是相同的；而RANSAC演算法是一種隨機演算法，受迭代次數等的影響，每一次得到的引數一般都不相同。
- 一般而言，RANSAC演算法先根據一定的準則篩選出局內點和局外點，然後對得到的局內點進行擬合，擬合方法可以是最小二乘法，也可以是其他優化演算法，從這個角度來說，RANSAC演算法是最小二乘法的擴充套件。
RANSAC的基本假設是：
（1）資料由“局內點”組成，例如：資料的分佈可以用一些模型引數來解釋；
（2）“局外點”是不能適應該模型的資料；
（3）除此之外的資料屬於噪聲。
局外點產生的原因有：噪聲的極值；錯誤的測量方法；對資料的錯誤假設。
（3）移動機器人的避障方法（四類主流感測器介紹）
https://www.rosclub.cn/post-1079.html
補充：深度相機簡介
https://blog.csdn.net/qq_37764129/article/details/81011221
https://blog.csdn.net/bingoplus/article/details/56667475