最棒の写给机器人/自动驾驶工程师的SLAM速成课
Published:
面向不做SLAM但是要用到位姿和地图的感知、决策/规控算法工程师以及做多模态大模型（VLA？）、RL或者做产品经理的同学。本文也适合作为SLAM入门札记一则，提供直观理解。
核心内容纲要
SLAM背景与应用
- 在自动驾驶中构建高精地图的作用
- 移动机器人和AGV的建图与定位
- 三维重建在AR/VR中的应用
- 与上下游算法的关联性
单目视觉SLAM技术路线
- 相机成像原理：小孔成像模型和3D-2D投影
- 对极几何：两帧图像间的位姿估计
- 特征点法：特征检测、描述子提取和匹配
- PnP算法：2D-3D点对应的位姿求解
- 三角化技术：从多视角重建3D点
Bundle Adjustment与滑窗优化
- 为什么需要多帧优化：误差累积问题
- 重投影误差最小化的数学原理
- 关键帧选取策略
- PTAM范式：Tracking和Mapping并行
回环检测与位姿图优化
- 视觉词袋模型（BoW）
- 回环约束的建立与验证
- 位姿图优化的数学原理
IMU融合与尺度问题
- IMU预积分技术
- 单目视觉的尺度不可观性
- VIO系统中的状态传播
- 零飘估计与校正
统一的视角：带权最小二乘
无论是对极几何、PnP、滑窗BA还是位姿图优化，本质都是根据约束关系编写观测等式，给不同的观测以合适的权重，使得最终的带权最小二乘能够获取最好的结果。
扩展内容
- 双目视觉与深度相机
- LiDAR SLAM简介
- 多传感器融合框架
这篇文章从工程实际出发，重点介绍核心概念和直观理解，避免过度数学化，适合各个领域的工程师快速建立对SLAM技术的整体认知。