我是一颗野草莓-优快云博客

原创 A-LOAM 深度解析：从曲率特征到 Ceres 优化的 LiDAR SLAM 完整实现

A-LOAM 是整个 LiDAR SLAM 谱系的"根"。它建立的范式——曲率特征 + 点到线面距离 + 迭代重匹配——在后续所有工作中都能看到影子。A-LOAMLeGO-LOAMFast-LIOLIO-SAM方法特征法 + Ceres特征法 + 地面优化直接法 + IESKF特征法 + iSAM2IMU无可选紧耦合紧耦合回环无有（ICP）无有（Scan Context）代码量~2000行~3000行~5000行~8000行入门难度★☆☆☆☆★★☆☆☆★★★★☆。

2026-05-30 00:16:45 40

原创 Cartographer 深度解析：Submap、分支定界回环与概率栅格

Cartographer 是 2D LiDAR SLAM 的工程巅峰——在 Google 内部经过了数万小时的测试。A-LOAM → 教学级：最小代码量展示核心原理LeGO-LOAM → 轻量级：地面车辆的低成本方案Cartographer → 工业级：Google 的工程标准，可靠性优先对于只做 2D 室内 SLAM 的项目（如扫地机器人、仓储 AGV），Cartographer 几乎是默认选择。

2026-05-30 00:16:14 95

原创 DSO 深度解析：稀疏直接法、滑动窗口边缘化与光度标定

DSO 证明了直接法可以比特征法更准——并且不需要特征提取和描述子匹配。它的核心贡献不在于"用了直接法"这个选择本身，而在于让直接法真正工作起来的配套工程：光度标定、先观察后激活、滑动窗口边缘化、粗到细跟踪。每一个都是在解决"直接法为什么在实际中不好用"的具体问题。对于想深入理解非线性优化在 SLAM 中的应用的读者，DSO 是自己实现 Gauss-Newton 优化器的最佳教材——5000 行代码教你如何从 Hessian 构建到 Schur 消元到边缘化，一个完整的优化框架。

2026-05-30 00:15:44 47

原创 Fast-LIO 深度解析：IESKF + ikd-Tree 的紧耦合 LiDAR-惯性里程计

全状态（True State）18维xGpITGqITGvITbωTbaTGgTTxGpITGqITGvITbωTbaTGgTT误差状态 18 维δxGδpITGδθITGδvITδbωTδbaTGδgTTδxGδpITGδθITGδvITδbωTδbaTGδgT。

2026-05-30 00:15:11 56 1

原创 Fast-LIO2 深度解析：简化的运动学模型与速度无关的 IESKF

xGpIGqIGvIbωbaGgTxGpIGqIGvIbωbaGgTFast-LIO 和 Fast-LIO2 的代码库高度重叠。Fast-LIO/include/use-ikf-om.hpp → 18维状态Fast-LIO2/include/use-ikf-om.hpp → 15维状态（主要改动）Fast-LIO/src/ImuProcess.cpp → 含速度递推的协方差传播。

2026-05-30 00:14:36 78

原创 FAST-LIVO 系列深度解析：IESKF 中融合 LiDAR 与视觉的统一框架

不改框架，只加观测。IESKF 的数学框架足够通用——无论是 LiDAR 的点到面距离、相机的光度误差、GPS 的绝对位置，都可以建模为zhxvzhxv的观测方程。这种"统一观测模型"的设计使得 FAST-LIVO 的代码量（相比 Fast-LIO2）只增加了约 2000 行——大部分在图像梯度和投影 Jacobian 的计算。2025 年 LiDAR SLAM 的前沿方向——如 FAST-LIVO3 的传闻——正在探索加入事件相机和语义信息。

2026-05-30 00:14:04 98

原创 LeGO-LOAM 深度解析：地面分割与轻量化 LiDAR SLAM

LeGO-LOAM 对 A-LOAM 的改进非常务实：用地面分割和目标聚类提升特征质量、用两步优化加速收敛、用 ICP 回环实现基本的全局一致性。它代表了从"论文算法"到"可部署系统"的关键一步——代码增加了约 1000 行，但可靠性提升显著。但对于 2025 年的 SLAM 研究来说，LeGO-LOAM 已经显得有些陈旧：回环方式不如 Scan Context、无 IMU 紧耦合、仅支持机械雷达。

2026-05-30 00:13:34 44

原创 LIO-SAM 深度解析：因子图优化的 LiDAR-惯性 SLAM 工业级实现

LIO-SAM 代表了 LiDAR SLAM 从"演示级"到"产品级"的跨越。它的核心贡献不是单个算法创新，而是用因子图这一统一框架把 IMU、LiDAR、GPS、回环无缝整合在一个优化问题中——每个传感器只是一个因子，添加新传感器只是添加新因子类型。学习路径建议：A-LOAM（理解LiDAR配准）→ LeGO-LOAM（理解工程化改进和回环）→ LIO-SAM（理解因子图框架和多传感器融合）→ Fast-LIO（理解为什么滤波框架在某些场景更优）。

2026-05-30 00:12:49 79

原创 LSD-SLAM 深度解析：半稠密直接法、Sim(3) 与直接法 SLAM 的奠基

LSD-SLAM 的历史价值远大于其实用价值。它证明了直接法可以在大规模环境中工作，启发了 DSO → D3VO → DM-VIO 整个直接法 SLAM 谱系。它的三个核心思想——半稠密（仅在梯度大的区域做深度估计）、Sim(3)（处理单目尺度漂移）、直接法跟踪+配准（无特征的双层结构）——被后续工作继承、改进、或作为反面案例推动了更好的设计。

2026-05-30 00:12:19 39

原创 ORB-SLAM（原始版）深度解析：三线程架构的诞生与视觉 SLAM 的范式转移

定义了现代视觉 SLAM 的代码架构标准。它的三线程设计、严格的地图管理、Sim(3) 回环修正——每一项都成为后续工作的基石。ORB-SLAM2 和 ORB-SLAM3 在功能上不断扩展，但架构骨架从未改变——这本身就是对这种设计的最高评价。对于学习视觉 SLAM 的学生，建议按 ORB-SLAM → ORB-SLAM2 → ORB-SLAM3 的顺序读源码。

2026-05-30 00:11:41 48

原创 ORB-SLAM2 深度解析：三线程架构、共视图与双目/RGB-D 扩展

ORB-SLAM2 是视觉 SLAM 从"实验室演示"走向"可部署系统"的转折点。它的三线程架构教会了社区如何组织一个实时视觉 SLAM 系统；它的严格地图点管理证明了"宁可少不要错"的工程原则在 SLAM 中的重要性；它的 DBoW2 回环检测成为后续几乎全部视觉 SLAM 系统的标配。在 2025 年，虽然 ORB-SLAM3 在功能上全面超越，但 ORB-SLAM2 仍然是学习视觉 SLAM 的最佳教具——18,000 行 C++ 代码中，没有一行是多余的。

2026-05-30 00:11:05 36

原创 ORB-SLAM3 深度解析：Atlas 多地图、视觉-惯性紧耦合与长期 SLAM

ORB-SLAM3 是视觉 SLAM 领域迄今为止最完整、精度最高的开源系统。它的三大支柱——ORB 特征 + DBoW2 词袋 + 三线程架构——经受住了从室内桌面到室外大场景的广泛验证。Atlas 多地图的引入解决了长期 SLAM 中"丢失后无法恢复"的根本难题，VI-SLAM 的紧耦合给了它与 LiDAR 方案在某些场景下竞争的资本。

2026-05-30 00:10:26 169

原创 RTAB-Map 深度解析：外观记忆管理、贝叶斯检索与长期 SLAM

内存管理。它的 WM/LTM 双层架构、贝叶斯检索策略、LTM 唤醒机制——这些设计在 2025 年仍然是大规模长期 SLAM 的参考方案。对于需要"建一个几百平方米室内地图"的项目，RTAB-Map + RGB-D 相机 + 轮式里程计的组合仍然是最快出成果的方案。对于研究 SLAM 的学生，RTAB-Map 提供了一个独特的视角：SLAM 不仅是"估计位姿和地图"，也是"管理有限的计算和内存资源"——这个视角在嵌入式 SLAM 和边缘计算时代越来越重要。

2026-05-30 00:09:53 97

原创 SVO 深度解析：半直接法的 FAST 角点 + 直接法对齐

SVO 是视觉 SLAM 设计空间中"极简+极速"的代表。它用三个核心思想实现了 3-5ms/帧的惊人速度：(1) FAST 角点选点但不做描述子（省了特征提取 80% 的时间），(2) 直接法做位姿优化（省了描述子匹配的时间），(3) 概率深度滤波做深度估计（从单次三角化升级为多帧收敛，提高鲁棒性）。对于资源极度受限的平台（如 50g 以下的微型无人机、STM32 级别的 MCU），SVO 的半直接法思路仍然是最实用的视觉里程计方案。

2026-05-30 00:09:17 101

原创 VINS-Mono 深度解析：滑动窗口、在线标定与视觉-惯性紧耦合

VINS-Mono 是单目 VI-SLAM 的标杆实现——它用滑动窗口 + 边缘化 + IMU 预积分这三板斧，在精度、速度和代码复杂度之间达到了最佳的平衡。它与 ORB-SLAM3 并列为视觉-惯性 SLAM 的"双峰"：VINS-Mono 偏实用和嵌入式（追求低延迟），ORB-SLAM3 偏学术和精度（追求全功能）。对于学习 VI-SLAM 的学生，VINS-Mono 是更好的起点——它的 15000 行代码是可管理的，滑动窗口和边缘化的实现是理解现代 VI-SLAM 优化框架的标准教材。

2026-05-30 00:08:36 199

原创 SLAM 算法横向对比与选型指南

FAST-LIVO2 是当前覆盖面最广的单系统（LiDAR+Cam+IMU，室内外通用），但它的计算量和传感器成本远超单一传感器的 SLAM 系统。两者在数学假设层面的矛盾需要工程技巧来调和（如 FAST-LIVO2 在 LiDAR 提供深度的基础上，视觉退化为直接法对齐——既不做描述子也不做光度优化，只做梯度方向的对齐）。关键需求：全局一致性（需要回环消除 >100m 的漂移）、多传感器融合（LiDAR+IMU+GPS+轮式里程计）、大场景（公里级）。关键需求：极低计算（MCU 级别）、极低延迟。

2026-05-30 00:06:06 201

原创 A-LOAM 保姆级安装教程（Ubuntu 20.04 + ROS Noetic + Ceres 1.14）

A-LOAM（Advanced implementation of Lidar Odometry And Mapping）是香港科技大学空中机器人团队基于 LOAM 论文重写的激光SLAM系统。它使用替代了原始 LOAM 中复杂的手动求导，代码结构清晰，是3D激光SLAM入门的最佳选择。GitHub:步骤操作时间安装 ROS Noetic10-20分钟安装 PCL + 基础依赖5分钟编译 Ceres 1.14.0下载+编译+安装15-30分钟编译 A-LOAM5-10分钟。

2026-05-29 23:45:11 206

原创 IMU预积分：从原理推导到代码实现

从时刻iii到jjj，将连续运动学方程积分，得到相对运动量。旋转RwbjRwbi⋅∏kij−1Expωk−bgk−ηgkΔtRwbjRwbi⋅ki∏j−1Expωk−bgk−ηgkΔt提取出与绝对状态无关的部分，定义旋转预积分量ΔRij≜Rbiw⋅Rwbj∏kij−1Expωk−bgk−η。

2026-05-29 16:13:31 270

原创雅可比矩阵：从数学推导到SLAM实战

雅可比矩阵（Jacobian Matrix）描述了一个多变量向量函数在某一点处的"最佳线性近似"。通俗地说：如果 f:Rn→Rmf: \mathbb{R}^n \rightarrow \mathbb{R}^mf:Rn→Rm 是一个从 nnn 维到 mmm 维的映射，其雅可比矩阵 J\mathbf{J}J 是一个 m×nm \times nm×n 的矩阵：J=[∂f1∂x1∂f1∂x2⋯∂f1∂xn∂f2∂x1∂f2∂x2⋯∂f2∂xn⋮⋮⋱⋮∂fm∂x1∂fm∂x2⋯∂fm∂xn]m×n\mathbf{

2026-05-29 14:39:35 396

原创 Ceres Solver：从入门到SLAM实战应用

Ceres Solver 是 Google 开源的一个大规模非线性最小二乘优化库，采用 C++ 编写，广泛应用于计算机视觉、机器人、SLAM 等领域。它的名字来源于天文学中的谷神星（Ceres）——第一颗被发现的小行星，象征着它在优化问题求解中的先驱地位。min⁡x12∑iρi∥fixi1xik∥2xmin21i∑ρi∥fixi1xik∥2fi⋅f_i(\cdot)fi⋅是。

2026-05-29 14:12:56 573

原创前沿话题：深度学习、3DGS、语义SLAM与多传感器融合

本章综述三种SLAM共享的前沿研究方向：(1) 深度学习SLAM——学习型特征（SuperPoint/SuperGlue）、可微BA（DROID-SLAM）、学习型激光里程计，(2) NeRF与3DGS-SLAM——从隐式场景表示到显式高斯椭球，(3) 语义SLAM——对象级地图的表示与优化，(4) 多传感器融合——激光-视觉-惯性的互补原理与LVI-SAM，(5) 终身SLAM——跨时间尺度的鲁棒定位与地图维护。每个方向阐述其与传统SLAM的理论连接和本质差异。深度学习改造SLAM的四个层次。

2026-05-26 20:00:12 27

原创经典SLAM系统：从GMapping到LVI-SAM——三种SLAM的里程碑系统

本文对三种SLAM中的十二个里程碑系统进行理论分析：(1) 2D激光——GMapping（RBPF+改进提议分布）、Cartographer（子图+B&B回环），(2) 3D激光——LOAM/LeGO-LOAM（特征提取+两步LM）、LIO-SAM（因子图紧耦合）、FAST-LIO2（IEKF+ikd-Tree），(3) 视觉——PTAM（双线程）、ORB-SLAM3（三线程+Atlas）、LSD-SLAM（半稠密直接法）、DSO（光度标定+动态边缘化）、VINS-Mono（IMU预积分+紧耦合）、SVO（

2026-05-26 19:59:23 193

原创建图：从占用栅格到3D高斯——三种SLAM的地图表示理论

建图是SLAM的"产出物"——最终交付给上层应用的环境模型。本章横向对比三种SLAM的地图表示：(1) 2D激光的占用栅格地图（Occupancy Grid）——二值贝叶斯滤波与log-odds更新，(2) 3D激光的点云特征图与TSDF地图——从稀疏特征到稠密体素，(3) 视觉的路标地图（从稀疏共视图到稠密网格/3DGS）。核心论点是：地图表示的选择由传感器特性（直接几何 vs 间接光度）和下游任务（导航 vs 渲染 vs 定位）共同决定。三种SLAM的地图表示由传感器特性决定。

2026-05-26 19:58:49 194

原创回环检测：从词袋模型到扫描上下文——三种SLAM的回环策略

回环检测是消除SLAM累积漂移的关键机制。本文对比三种SLAM的回环检测策略：(1) 2D激光的分支定界扫描匹配（Cartographer）——在SE(2)空间中全局搜索最优位姿，(2) 3D激光的Scan Context——将点云编码到环形矩阵后用距离度量检索，(3) 视觉的词袋模型——将图像量化为视觉词汇分布后用TF-IDF检索。三者的本质统一：都在将高维传感器数据映射到低维描述空间进行高效的近似最近邻检索。三种SLAM的回环检测都遵循共同的流程。

2026-05-26 19:58:15 144

原创 SLAM后端：滤波与滑窗优化的理论分析

本章从理论层面比较三种SLAM后端的两大阵营——滤波方法和优化方法——在2D激光、3D激光和视觉中的不同应用。重点揭示：(1) 为什么RBPF在2D激光SLAM中有效但在视觉中不可行，(2) EKF不一致性的数学根源，(3) 现代3D激光SLAM中的IEKF（FAST-LIO2）如何通过迭代更新缓解不一致性，(4) 滑窗优化和边缘化在三种SLAM中的不同应用策略。三种SLAM的后端方法由传感器特性和状态维度共同决定。

2026-05-26 19:57:21 321

原创非线性优化与图优化：三种SLAM后端优化的统一理论

本章从统一的图优化视角出发，对比三种SLAM的优化后端：2D激光的位姿图优化（SE(2)上稀疏约束的快速求解）、3D激光的因子图优化（LOAM/LIO-SAM风格的多因子融合）、视觉的Bundle Adjustment（箭头形Hessian + Schur消元）。核心论点是：三种SLAM的优化都归结为同一个稀疏因子图上的非线性最小二乘——区别仅在于因子的类型和变量的维度。三种SLAM的优化都归结为同一框架：因子图上的稀疏非线性最小二乘——差异仅在于因子的类型、变量的维度和是否需要Schur消元。

2026-05-26 19:56:44 300

原创 SLAM前端：扫描匹配、点云配准与视觉特征——三种范式的统一

本章从统一的"数据关联+运动估计"视角，对比三种SLAM前端：2D激光的扫描匹配（ICP/相关匹配/分支定界）、3D激光的点云配准（点到线/面的迭代优化）、视觉的三种方法（特征法/光流法/直接法）。揭示三者的内在统一——都在对传感器数据进行"对应关系建立+误差最小化"。2D激光扫描匹配：ICP（局部迭代）+ CSM（全局搜索）+ B&B（加速搜索）——三种策略构成精度、鲁棒性和效率的三角权衡ICP闭式解RVUTRVUT（正交Procrustes），前提是数据关联正确；

2026-05-26 19:56:10 342

原创传感器模型与三维几何：激光模型、相机模型与多视图约束

本章讲解三种SLAM的传感器建模和几何基础：2D激光的光束模型（Beam Model）和似然场模型（Likelihood Field）、3D激光的点云特征（边缘/平面点提取与匹配）、视觉的相机模型和多视图几何（对极约束、三角化不确定性）。三种传感器在获取信息的方式上有本质差异——激光提供直接的几何测量，视觉提供间接的光度测量——理解这些差异是设计SLAM系统的前提。边缘点到线的距离：给定边缘点pipi和在上一帧/地图中的两个最近边缘点pjplpjpl。

2026-05-26 19:55:40 365

原创数学基础：李群李代数与非线性优化——三种SLAM的数学工具箱

本文系统讲解三种SLAM共享的数学支柱：线性代数核心理论（SVD、QR分解、Cholesky分解在SLAM中的应用语义）、三种位姿空间中的李群与李代数（SO(2)/SE(2)、SO(3)/SE(3)——含各自的指数/对数映射和BCH公式差异）、以及非线性最小二乘理论（GN法、LM法的收敛分析、鲁棒核函数在三种传感器下的阈值选择差异）。重点揭示2D激光、3D激光和视觉SLAM在位姿空间选择和优化策略上的数学本质差异。

2026-05-26 19:55:02 558

原创 SLAM概述与发展历程：从概率形式化到现代三阶段演进

本文从SLAM问题的严格概率定义出发，推导Full SLAM与Online SLAM的区别，给出贝叶斯滤波的predict-update递推公式。然后从信息论视角阐释SLAM的核心困境（变量耦合、误差累积、数据关联、维度灾难），最后梳理SLAM从1986年至今的三个发展阶段：古典滤波时期、图优化兴起时期、以及深度学习融合的现代SLAM。SLAM (Simultaneous Localization and Mapping) 是在未知环境中同时估计自身位姿并构建环境地图的问题。定位需要地图。

2026-05-26 19:54:04 367

原创 C++面试核心精讲：网络编程与其他核心议题

本文是C++面试核心精讲系列的收官之篇，聚焦网络编程与若干跨领域高频考点。第一章深入剖析select/poll/epoll三种IO多路复用机制的设计差异与性能瓶颈，详解LT与ET两种触发模式的工作原理及编码实践，并讨论epoll惊群问题与fcntl系统调用；第二章从内存布局角度揭示虚函数表的底层实现、多继承下的vptr分布、构造/析构/静态函数的虚特性限制，以及空类大小为1字节的设计哲学；第三章梳理Lambda表达式的编译期生成机制、回调函数的多种实现形态及函数调用的完整栈帧流程；

2026-05-25 23:53:16 39

原创 C++面试核心精讲：多线程、同步与进程通信

本文深入剖析C++多线程与进程间通信的核心知识体系。首先从硬件层面讲解锁的底层原理，包括CAS指令、ABA问题、x86 LOCK前缀与缓存一致性协议（MESI）的联动机制；然后系统介绍C++11/14/17的原子操作库与mutex体系；接着深入分析死锁的成因与解决方案，辅以完整的代码示例；随后探讨超越传统加锁的线程安全策略（无锁结构、thread_local、Actor模型等）；最后对比七大进程间通信（IPC）方式，重点讲解共享内存的实现原理与多进程编程中的关键问题（fork写时复制、僵尸进程处理等）。

2026-05-25 23:52:39 29

原创 C++面试核心精讲：STL容器与算法

STL（Standard Template Library）是C++标准库的灵魂，也是面试中无法绕过的核心考点。本文从底层原理出发，系统讲解序列式容器（vector、list、deque）和关联式容器（map、set、unordered_map）的内存布局、扩容机制、迭代器失效规则以及性能优化技巧。重点剖析 vector 的 1.5倍增长因子的数学推导、红黑树与哈希表的底层对比、emplace_back 的性能优势原理，以及不同场景下的容器选型决策树。掌握这些内容，你将能够从容应对STL相关的深度追问。

2026-05-25 23:51:56 116

原创 C++面试核心精讲：移动语义与编译链接

本文聚焦C++面试中两个高难度且紧密关联的主题：右值引用与移动语义，以及编译链接与关键字。前两章从右值引用的三个引入动机出发，逐步深入到移动构造、完美转发、引用折叠和lambda底层实现，配有大量可运行的代码示例、资源所有权转移图示和栈帧布局ASCII图。后两章则系统梳理了编译全流程、动态/静态链接区别、extern "C"的应用场景、四种强制类型转换的对比，以及auto推导规则和函数调用约定等知识碎片。全篇力求将分散的面试题串联为完整的知识图谱，帮助读者在"移动语义"和"编译底层"两大板块上做到融会贯通。

2026-05-25 23:51:08 238

原创 C++面试核心精讲：内存管理与智能指针

本文深入讲解C++内存管理三大核心领域：动态内存分配（malloc/free与new/delete的底层机制）、智能指针（unique_ptr/shared_ptr/weak_ptr的设计原理与线程安全）、以及RAII资源管理范式。文章从操作系统内存分配的系统调用（brk/mmap）讲起，逐步深入到C++层面的智能指针引用计数与原子操作，最后以RAII模式收尾，构建起从底层到高层的完整知识体系。每一节均配有可运行的代码示例和ASCII图解，适合面试前的系统复习与知识查漏补缺。资源类型RAII 包装类。

2026-05-25 23:50:00 546

空空如也

空空如也