在大兴和凯翔进行了一次长谈，关于以后找工作、实验室的优势以及劣势，发现没有一技之长的话那么知名可靠的私企就很难进了。在广泛地观察与询问之后，我决定将学习方向锁定在C++与SLAM上，一方面因为前后端、算法这些岗位没有学习成本，就业人口基数过大；另一方面因为SLAM结合了计算机视觉、传感器基础、后端的滤波、算法优化等，这些都还算是本科都有涉及，最后还可以和嵌入式集成开发。

  S.L.A.M.全称为Simultaneous Localization and Mapping，是以定位和建图两大技术为目标的一个研究领域。目前主流的slam技术应用为激光slam(基于激光雷达)和视觉slam(基于单/双目摄像头)，实现上主要分为基于滤波 （Filter-Based） 的SLAM，和基于图优化（Graph-Based）的SLAM。归结其本质，其实就是—-State Estimation in Robotics。

SLAM做的主要是以下几件事：

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。如果是机器人中，还可能是码盘、惯性传感器等信息的读取和同步。

前端视觉里程计（Visual Odometry，VO）：视觉里程计的任务是估算相邻图像间相机的运动，以及局部地图的样子，又称为前端（Front End）。

后端非线性优化（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，对他们进行优化，得到全局一致的地图。由于在VO之后，又被称为后端（Back End）。

回环检测（Loop Closure Detection）：回环检测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。

建图（mapping）：它根据估计的轨迹，建立与任务要求对应的地图。

  其中前端前端相当于VO（视觉里程计），研究帧与帧之间变换关系。首先提取每帧图像特征点，利用相邻帧图像，进行特征点匹配，然后利用RANSAC去除大噪声，然后进行匹配，得到一个pose信息（位置和姿态），同时可以利用IMU（Inertial measurement unit惯性测量单元）提供的姿态信息进行滤波融合后端则主要是对前端出结果进行优化，利用滤波理论（EKF、UKF、PF）、或者优化理论TORO、G2O进行树或者图的优化。最终得到最优的位姿估计。
  后端这边难点比较多，涉及到的数学知识也比较多，总的来说大家已经慢慢抛弃传统的滤波理论走向图优化去了。因为基于滤波的理论，滤波器稳度增长太快，这对于需要频繁求逆的EKF（扩展卡尔曼滤波器），PF压力很大。而基于图的SLAM，通常以keyframe（关键帧）为基础，建立多个节点和节点之间的相对变换关系，比如仿射变换矩阵，并不断地进行关键节点的维护，保证图的容量，在保证精度的同时，降低了计算量。

SLAM十四讲理论部分主要分为以下几个部分：

第三讲 三维空间的刚体运动
![四元数的可视化：]https://www.bilibili.com/video/BV1SW411y7W1/?spm_id_from=333.999.0.0&vd_source=293eb9377444f6b649cc1019a16b1a8a
![欧拉角万向死锁现象：]https://www.bilibili.com/video/BV1Nr4y1j7kn/?spm_id_from=333.999.0.0

第四讲 李群和李代数

第五讲 相机与图像

第六讲 非线性优化