【视觉SLAM十四讲】ch2笔记【逐行代码带你解析】【适合纯小白 ps:因为我就是】（持续更新中）

最新推荐文章于 2025-12-04 09:49:16 发布

原创最新推荐文章于 2025-12-04 09:49:16 发布 · 447 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#笔记 #机器人 #opencv #人工智能 #计算机视觉 #嵌入式硬件

slam从入门到放弃专栏收录该内容

4 篇文章

订阅专栏

本文介绍了视觉SLAM的基本概念，包括其定义、经典视觉SLAM框架（传感器信息读取、前端视觉里程计、后端非线性优化、回环检测和建图），以及SLAM问题的数学表述。作者分享了初识SLAM的学习过程和实践内容，如Ubuntu安装与C++环境配置。

视觉SLAM十四讲学习笔记【逐行代码带你解析】【适合纯小白 ps:因为我就是】（持续更新中）

前言
ch2 初识SLAM

前言

大一大二东学学西学学了一大堆，这个暑假想往难一点的方向探索探索，以后想从事机器人行业，所以先从SLAM开始，希望这个暑假能把他更新完。
ps：对于这个方向我也只是初学者，大家看的时候一定要带辩证的思维看，因为我也不敢说我写的这个内容是正确的，同时我也希望大家对我做出一些建议和反馈。

原书代码Github链接: link
笔者代码Github链接: link

ch2 初识SLAM

2.1.什么是SLAM

       SLAM是指Simultaneous Localization and Mapping，翻译过来就是同时定位与地图构建模型，他解决了定位与地图构建的问题，说人话就是：
       1.我在什么地方——定位
       2.周围环境怎么样——建图

2.2经典视觉SLAM框架

经典的视觉SLAM框架
视觉SLAM的流程分为以下步骤：

2.2.1.传感器信息读取

2.2.2.前端视觉里程计

这个就是读取了前后两张（两张只是一个假设）图片的数据，然后根据图片信息的变化估计出运动的轨迹，但是仅仅通过这种视觉里程计来估计轨迹，不可避免的就会产生误差，这个误差我们这里叫他飘移，而这种误差是累计性的，也就是估计的越多，误差就会越大，这里我们称之为累积飘移（Accumulating Drift），这将导致我们定位也不准，建图也不准，于是，我们引入了下面两种东西：后端优化和回环检测。

2.2.3.后端非线性优化

我们原始数据的读取来自于各式各样的传感器，但是传感器的数据不可能完全精确，会有误差，这里我们称之为噪声，后端优化要考虑的问题，就是如何从这些带有噪声的数据中去估计整个系统的状态，以及这个状态估计的不确定性有多大，这里的状态包括机器人自身的轨迹，也包含地图。

在视觉SLAM中，前端负责图像的特征提取与匹配等等，后端则主要是滤波和非线性优化算法

2.2.4.回环检测

回环检测，又称闭环检测，主要解决位置估计随时间漂移的问题。与后端优化任务目标相同，但是使用的方法有所差异。

回环检测与“定位”和“建图”二者都有密切的关系。事实上，我们认为，地图存在的主要意义是让机器人知晓自己到过的地方。为了实现回环检测，我们需要让机器人具有识别到过的场景的能力。它的实现手段有很多。

视觉回环检测实质上是一种计算图像数据相似性的算法。由于图像的信息非常丰富，使得正确检测回环的难度降低了不少。

在检测到回环之后，我们会把“A与B 是同一个点”这样的信息告诉后端优化算法。然后后端根据这些新的信息，把轨迹和地图调整到符合回环检测结果的样子。这样，如果我们有充分而且正确的回环检测，则可以消除累积误差，得到全局一致的轨迹和地图。

2.2.5.建图

建图是指构建地图的过程。地图的形式随SLAM的应用场合而定，大体上分为度量地图与拓扑地图

度量地图
度量地图通常用稀疏和稠密分类，稀疏地图进行了一定程度上的抽象，稠密地图着重于建模所有看到的东西，定位时用稀疏路标地图就足够了，而导航往往需要稠密地图。

拓扑地图
相比于度量地图的精确性拓扑地图更强调地图元素之间的关系。拓扑地图是一个图(Graph).由节点和边组成，只考虑节点间的连通性，例如只关注 A、B 点是连通的，而不考虑如何从 A点到达 B点。它放松了地图对精确位置的需要，去掉了地图的细节，是一种更为紧凑的表达方式然而，拓扑地图不擅长表达具有复杂结构的地图。如何对地图进行分割，形成节点与边，又如何使用拓扑地图进行导航与路径规划，仍是有待研究的问题。