视觉SLAM十四讲(高翔版本)，ch1-2章节部分笔记

目的：最近在看slam模块，高翔版本的视频，非常好的视频（有理论有实践），记下来一些重要的内容。第二遍再补充其它内容。

ch12，最开始的一章节，它主要讲一下slam的应用。
首先讲了一些书籍推荐：
1：The Bible:Multiple View Geometry in Computer Vision
2: State Estimation for Robotics: A Matrix-Lie-Group Approach
3:Probabilistic Robotics
这些书籍，没有看，以后有时间大概挑一本书看一下。

SLAM主要围绕两大问题：定位；建图。
定位：我在什么地方；
建图：周围长什么样子。

后续介绍了当前的研究。略。

介绍SLAM的整体框架

其中
前段：主要是介绍附近帧之间相机的相对运动。（漂移误差）主要有特征点法，直接法。
后端：因为前段帧之间有误差，需要回环检测，以及优化前段模块。主要有EKF，图优化。
建图：它是一个option,主要是对slam算出的稀疏点云，进行稠密化。度量地图；拓扑地图；稀疏地图；稠密地图等等。

基于上述的两个问题，SLAM有一个非常有用的数学描述框架，非常重要，它包括运动方程和观测方程：
运动方程(描述我在哪里)：
离散时间：$t=1,2,3,...,k$
位置：$x_1,x_2,...,x_k$
把上面变量看成随机变量，服从概率分布。
基于上述的变量，建立运动方程为：
$$x_k=f(x_{k-1},u_k,w_k)(1)$$
其中$x_{k-1}$一般为上一时刻位置；$u_k$为输入（它视情况而定）；$w_k$为噪声。

周围长什么样子(观测方程)：
路标(三维空间点)：$y_1,y_2,...y_n$
传感器在位置$x_k$处，观察到路标$y_j$
观测方程：
$$z_{(}k,j)=h(x_k,y_j,v_{(}k,j))(2)$$

从上述的框架建立的数学模型是传感器在$x_k$处，看到路$y_j$。在一般应用中是相机在$x_k$处，看到一片稀疏点云$y_j$。非常符合人类的认知。

因此框架整体为
{ x k = f ( x k − 1 , u k , w k )     ( 1 ) z ( k , j ) = h ( x k , y j , v ( k , j ) )     ( 2 )

{xk​=f(xk−1​,uk​,wk​)   (1)z(​k,j)=h(xk​,yj​,v(​k,j))   (2)​
理解上述公式就能从整体上理解SLAM。

后续介绍了一下基本的在linux下怎么编译文件，以及简单的cmake使用，用于后续的slam工程的使用。建议动手做一遍。

最后的一个关于kdevelop的安装，它是非常简单：
打开终端，然后输入：

wget -O KDevelop.AppImage https://download.kde.org/stable/kdevelop/5.6.1/bin/linux/KDevelop-5.6.1-x86_64.AppImage
1

下载kdevelop后，直接修改下载文件的权限：

chmod +x KDevelop.AppImage
1

最后安装文件KDevelop.AppImage：

./KDevelop.AppImage
1

安装的具体过程如下：

这个集成平台在linux非常好用，和在windows下的vs差不太多。它可能需要CMakeLists.txt了解。对于CMakeList.txt后续补上。