第二章 初識 SLAM

1、相機分類
相機可以分為單目相機（Monocular）、雙目相機（Stereo）和深度相機（RGB-D）三大類。
1）單目相機
只使用一個攝像頭進行 SLAM 的做法稱為單目SLAM（Monocular SLAM）。這種感測器結構特別簡單，成本特別低，所以單目 SLAM 非常受研究者關注。
照片本質上是拍攝某個場景（Scene）在相機的成像平面上留下的一個投影。它以二維的形式記錄了三維的世界。顯然，這個過程丟掉了場景的一個維度，也就是所謂的深度（或距離）。在單目相機中，我們無法通過單張圖片來計算場景中物體與相機之間的距離（遠近）。
由於單目相機拍攝的影象只是三維空間的二維投影，所以，如果真想恢復三維結構，必須改變相機的視角。在單目 SLAM 中也是同樣的原理。我們必須移動相機，才能估計它的運動（Motion），同時估計場景中物體的遠近和大小，不妨稱之為結構（Structure）。

單目 SLAM 估計的軌跡和地圖將與真實的軌跡和地圖相差一個因子，也就是所謂的尺度（Scale）➀。由於單目 SLAM 無法僅憑影象確定這個真實尺度，所以又稱為尺度不確定性（Scale Ambiguity）。
2）雙目相機
雙目相機由兩個單目相機組成，但這兩個相機之間的距離﹝稱為基線（Baseline）﹞是已知的。我們通過這個基線來估計每個畫素的空間位置——這和人眼非常相似。我們人類可以通過左右眼影象的差異判斷物體的遠近，在計算機上也是同樣的道理。如果對雙目相機進行拓展，也可以搭建多目相機，不過本質上並沒有什麼不同。
計算機上的雙目相機需要大量的計算才能（不太可靠地）估計每一個畫素點的深度，相比於人類真是非常笨拙。雙目相機測量到的深度範圍與基線相關。基線距離越大，能夠測量到的就越遠，所以無人車上搭載的雙目通常會是個很大的傢伙。雙目相機的距離估計是比較左右眼的影象獲得的，並不依賴其他感測裝置，所以它既可以應用在室內，亦可應用於室外。雙目或多目相機的缺點是配置與標定均較為複雜，其深度量程和精度受雙目的基線與解析度所限，而且視差的計算非常消耗計算資源，需要使用 GPU 和 FPGA 裝置加速後，才能實時輸出整張影象的距離資訊。因此在現有的條件下，計算量是雙目的主要問題之一。
3）深度相機（RGB-D相機）
其最大的特點是可以通過**紅外結構光或 Time-of-Flight（ToF）**原理，像鐳射感測器那樣，通過主動向物體發射光並接收返回的光，測出物體與相機之間的距離。即通過物理手段測量，所以相對於雙目節省了大量的計算量。
不過，現在多數 RGB-D 相機還存在測量範圍窄、噪聲大、視野小、易受日光干擾、無法測量透射材質等諸多問題，在 SLAM 方面，主要用於室內，室外則較難應用。
2、經典視覺 SLAM 框架

整個視覺 SLAM 流程包括以下步驟。
1） 感測器資訊讀取。在視覺 SLAM 中主要為相機影象資訊的讀取和預處理。如果是在機器人中，還可能有碼盤、慣性感測器等資訊的讀取和同步。
2）視覺里程計（Visual Odometry，VO）。視覺里程計的任務是估算相鄰影象間相機的運動，以及區域性地圖的樣子。VO 又稱為前端（Front End）。
3）後端優化（Optimization）。後端接受不同時刻視覺里程計測量的相機位姿，以及迴環檢測的資訊，對它們進行優化，得到全域性一致的軌跡和地圖。由於接在 VO 之後，又稱為後端（Back
End）。
4） 迴環檢測（Loop Closing）。迴環檢測判斷機器人是否到達過先前的位置。如果檢測到迴環，它會把資訊提供給後端進行處理。
5） 建圖（Mapping）。它根據估計的軌跡，建立與任務要求對應的地圖。
3、SLAM 問題的數學表述
運動方程：uk 是運動感測器的讀數或者輸入，wk 為該過程中加入的噪聲。

觀測方程：當小蘿蔔在 xk 位置上看到某個路標點 yj，產生了一個觀測資料 zk,j，vk,j 是這次觀測裡的噪聲。

根據系統的真實運動和感測器的種類，存在著若干種引數化方式（Parameterization）。
但我們保持通用性，把它們取成通用的抽象形式，那麼 SLAM 過程可總結為兩個基本方程：

4、kdevelop的安裝
https://blog.csdn.net/qq_27806947/article/details/80119294