三维空间的刚体运动
李群与李代数
相机参数标定
高斯牛顿，LM非线性优化方法
pnp
特征点描述子,特征点提取,特征点匹配
对极约束、本质矩阵、单应矩阵、三角化
随机抽样一致性算法
光流跟踪
SFM
IMU预积分和观测模型
QR分解SVD分解等矩阵分解方式求解满秩和亏秩最小二乘问题
Marginalization
BA优化
半闲居士系列
- 视觉SLAM中的数学基础 第一篇--3D空间的位置表示
- 视觉SLAM中的数学基础 第二篇--四元数
- 视觉SLAM中的数学基础 第三篇--李群与李代数
PCL点云
图优化
卡耐基梅隆大学The Robotics Institute, Carnegie Mellon University 1
苏黎世联邦理工学院 Autonomous Systems Lab (ASL), ETH Zurich 2
明尼苏达大学 Multiple Autonomous Robotic Systems (MARS) Laboratory, University of Minnesota 3
UW Robotics and State Estimation Lab 4
慕尼黑工业大学 The Computer Vision Group, Technical University of Munich 5
宾夕法尼亚大学 Vijay Kumar Lab (GRASP Lab), University of Pennsylvania 6
苏黎世大学 Robotics and Perception Group (RPG), University of Zurich 7
悉尼大学 australian centre for field robotics 8
澳大利亚机器人人视觉研究中心 9
视觉稀疏法：ORB-SLAM 、PTAM、MonoSLAM
半稠密法：LSD-SLAM、DSO、SVO
稠密法：DTAM、Elastic Fusion、Kintinous、DVO、RGBD-SLAM-V2、RTAB-MAP、MLM等
激光：Hector SLAM、Gmapping、tinySLAM
后端优化：g2o、ceres、GTSAM
数据：RGB-D SLAM Dataset and Benchmark、KITTI Vision Benchmark Suite、The EuRoC MAV Dataset等。
| 适用类型 | 方案 | 代码注释 |
|---|---|---|
| 单目 | DSO | |
| 单目、双目、RGBD | ORB-SLAM2 | 注释链接(file:///D:/github/VSLAM/ORBSLAM2/ORB-SLAM2-master/doc/html/index.html) |
| 单目+IMU | VINS | |
| 单目，双目+IMU | VINS-Fusion |
在基于graph based slam中，无论是pose graph还是bundle adjustment都是通过最小化损失来达到优化位姿和地图的目的。然而当待优化的位姿或者特征点坐标增多时，优化过程中的计算量也随着增大，因此不能无限的添加优化变量，使用滑动窗口技术来限制计算量在一定范围。 使用滑动窗口时还会涉及到“First Estimate Jacobians”，“Marginalization”，“Schur complement”等技术。
ORB-SLAM中的Local Mapping环节在做BA的时候刻意选择那些具有共同观测的帧作为关键帧，在这种情况下Schur消元后后得到的S矩阵(舒尔补消元后的矩阵)是稠密矩阵，由于局部地图优化不是实时的，所以这种做法可以接受。
DSO中采用了滑动窗口方法对每一帧要求做一次BA来防止累计误差，因此采取了一些技巧来保持S矩阵的稀疏性。