视觉SLAM模块：
传感器数据------->前端视觉里程计------->后端非线性优化------->建图
| 回环检测 |
1、传感器信息读取：读取相机的图像信息和进行预处理。
2、视觉里程计VO（又称为前端）：估算相邻图像间相机的运动，以及局部地图的样子。
3、后端优化：接受不同时刻视觉里程计测量的相机位姿，以及回环检测信息，对它们进行优化，得到全局一致的轨迹和地图。
4、回环检测：判断机器人是否到达过先前的位置。若检测到回环，它会把信息提供给后端进行处理。
5、建图：根据估计的轨迹，建立与任务要求对应的地图。
如果把工作环境限定在静态、刚体、光照变化不明显、没有人为干扰的场景，那么SLAM系统已经相当成熟了。
视觉里程计VO：关心的是相邻图像之间的相机运动。
图像在计算机中只是一个数值矩阵（矩阵中代表着什么东西是机器学习要解决的问题）
在视觉SLAM中，我们只能看到一个个像素点，知道它们是某些空间点在相机的成像平面投影的结果。故定量的估计相机的运动，必须先了解相机与空间点的几何关系。
VO通过相邻帧间的图形估计相机的运动并恢复场景的空间结构。“里程计”：它与实际的里程计一样，只计算相邻时刻的运动，和再往前的过去的信息无关。
飘移：仅通过视觉里程计（只估计两个图像间的运动）来估计轨迹，将不可避免地出现累计漂移。漂移将导致无法建立一致的地图，为了解决漂移需要两种技术：后端优化和回环检测。
回环检测负责把“机器人回到原始位置”的事情检测出来，后端优化根据该信息校正整个轨迹的形状。
后端优化：主要指处理SLAM过程中噪声的问题。要考虑：①如何从这些带有噪声的数据中估计整个系统的状态。②这个状态估计的不确定性有多大（最大后验概率估计）这里的状态包括机器人自身的轨迹，也包含地图。
（传感器带有一定的噪声）要考虑的问题：①估计噪声有多大，②噪声是如何从上一时刻传递到下一时刻的，③我们对于当前的估计有多大的自信。
在SLAM框架中，前端给后端提供待优化的数据+这些数据的初始值，前端与计算机视觉更为相关一些。
后端负责整体的优化过程，它往往面对的只是数据。后端与滤波和非线性优化算法相关。
为了解决slam问题，我们需要状态估计理论，把定位和建图的不确定性表达出来，然后采用滤波器或非线性优化估计状态的均值和不确定性（方差）。
回环检测：主要是解决位置估计随时间漂移的问题。
机器人可以通过判断图像间的相似性来完成回环检测。实质上是一种计算机图像数据相似性算法。
在检测到回环后，把A与B是同一个点的信息告诉后端优化算法，后端根据这些信息把轨迹和地图调整到符合回环检测结果的样子。这样，如果有充分并且正确的回环检测，就可以消除累计误差，得到全局一致的轨迹和地图。
建图：对于建图，没有一个固定的形式和算法。地图的形式随SLAM的应用场合而定。大体上分为：度量地图、拓扑地图。
度量地图强调精确地表示地图中物体的位置关系，通常用稀疏和稠密对其分类。
稀疏地图进行了一定的抽象，不需要表达所有的物体。选择一部分具有代表意义的东西称之路标。由路标组成的地图，不是路标的部分可以忽略掉。对于定位可以用稀疏地图。
稠密地图着重于建模所有看到的物体，对于导航需要稠密地图。稠密地图往往是按照某种分辨率，由许多个小块组成。对于二位度量地图是许多小格子，三维是小方块。
一般，一个小块具有：占据，空闲，未知三种状态，以及该表格内是否有物体。
当查询某个空间位置时，地图能够给出该位置是否可以通过的信息。
拓扑地图：
拓扑地图强调地图元素之间的关系。它是一个图，由节点和边组成，只考虑节点间的连通性。放松了对于精确位置的要求，去掉了地图的细节问题，是一种更为紧凑的表达方式。拓扑地图不擅长表达具有复杂结构的地图。如何对于地图进行分割形成节点和边，如何使用拓扑地图进行导航与路径规划仍是值得研究的问题。