目录
一、问题提出
首先假设一个场景，在下图的机器人上，你如何让它自由行走？也就是说，拥有自主运动能力？
当然，增加轮子和电机是必不可少的。然而，有了轮子和电机，它只能乱跑乱撞，因为缺少规划和控制。如何才能拥有规划和控制？首先需要增加相机，通过相机捕获周边环境信息。
然而，相机虽可以感知环境，归根到底要知道环境的啥信息，要干啥？答案是，至少需要解决两个问题：
1 周边环境什么样子？构建环境地图。（建图）
2 清楚知道，我在哪里？（定位）
回顾一下，在没有提出SLAM之前，或者说如果不用SLAM，如何能够解决以上两个基本问题？其方案有：
- 地上标注黄线，让机器沿黄线运动。
- 在墙上贴上二维码做地标
- 用无线定位设备。
- 户外用GPS
而SLAM方案与以上所列有所不同，它是通过如下配置完成：轮式编码器、相机、激光传感器来完成定位和构图的。这里对比一下，非SLAM方案与SLAM比较存在啥区别：
- 非SLAM方案将建图和定位安装在机器人的外端，与环境构成一体。
- SLAM将定位和地图，安装在移动机器人上，与机器人构成一体。
以上两种方案的优缺点比较：
- 非SLAM方案优点，构成简单，容易实现。缺点是条件限制太多，太多的限制将不足以实现机器人的自主行走。
- SLAM方案优点，定位系统独立于环境，不受环境限制，能实现自主行动。缺点：对环境测量不是直接的，是迂回的，要求算法必须足够高级。
二、视觉测量传感器--相机
SLAM的相机有三种：1）单目相机 2）双目相机 3）RGB-D深度相机。单目相机，就是普通的相机，输出的是图片。双目相机，是由两个单目相机构成，因此，能同时拍摄两张图片，这两张图片相差一个视角，因此密切相关，通过对极几何、三角测量等原理换算出距离。注意，换算景物距离，不仅仅是个障碍规避问题，更重要的是能换算出相机移动的距离向量，从而实现自身定位。RGB-D是2010年才出现的相机，是彩色，双目，能测量景物深度的相机。由于双目相机计算量大，耗时，因此业内注重单目相机，因为单目移动一个距离后，前后两个图片也可以实现双目相同的计算。
三、经典SLAM框架
如果将环境限定成：静态、刚体、光照变化不显著、没有人为干扰。那么，目前的SLAM已经相当成熟。而环境如果是动态的、光干扰明显、物体形状可变（如布料），则挑战骤然升级。以下我们列出目前较成型的SLAM框架结构：
1）传感器信息读取：说白了就是把现场图片导入内存。加上必要的预处理图像。
2）前端（视觉里程机）：通过两次相机采样，换算出相机走过的距离向量。也就是处理STEP的问题。
3）后端（非线性优化）：将前端形成的每一步移动，并产生全局轨迹地图。解决ROUTER问题。
4）回环检测：是计算相机移动中，是否产生回路。
5） 建图：根据后端所生成的轨迹，以及及环境信息，构成全局地图。
参考资料：《视觉SLAM十四讲》高翔