SLAM技術已經蓬勃發展起來，這里綜述性地介紹下SLAM的主體知識。SLAM的主體技術不多，難點在於細節。來源是：技術分享.ppt
前世
人類惆悵近千年的問題不是：我是誰，我要做什么，我要去哪里！而是：定位、定向、測速、授時！
定位是說物體在地球上的方位，定向是物體前進的方向，測速是物體的運行速度，授時是運動經歷的時長。而定位和定向就是我們要討論的話題。
古代智慧的中國人們提出了夜觀天象，基於遙遠恆星的方位推斷自身所處的位置，進而演變出一門博大精深的學科“牽星術”。
直到1964年，美國人徹底打破了大家的游戲規則，建立了全球定位系統GPS。多說幾句，GPS是給出物體相對於地心坐標系的經緯度以及相對於水平面的高度（三維信息），且GPS是狹義相對論的應用實例（衛星和地面的時間同步）。
GPS軍用的P碼可以達到1-2米級精度，開放給大眾使用的CA碼也能夠實現5-10米級的精度。至此已基本上解決了室外的定位和定姿問題，但是室內怎么辦？室外怎么優化位姿？
SALM是什么
SLAM的全稱是Simultaneous Localization and Mapping，即定位與制圖。SLAM和SFM有這千絲萬縷的聯系。
SFM（Structure From Motion），稱之為傳統三維重建，這是一門計算機視覺學科的分支，特點是把數據采集回來，離線慢慢處理。常見應用就是重建某建築物的3d地圖，比較炫的成果可見Building Rome in a day (—天重建羅馬城)。
SLAM是自動化控制學科的分支，提起SLAM就要提到ROS，網上開源的SLAM技術一般也都是和ROS集成在一起的。ROS是機器人操作系統，用一堆各式各樣的傳感器組裝好一套硬件，采集各個傳感器的數據，傳送給ROS的處理節點（軟件節點）。ROS會並行調度這些節點，這些節點有接受處理某類傳感器信號的，有重合處理各項數據的，有展示結果/執行策略的。
所以學習SLAM就要簡單了解下ROS，推薦找本入門書翻翻，一天就差不多啦。SLAM要做到的是實時！要做到的是低運算量！
總結便是：二者的數學理論相似，所屬學科不同，應用側重點不同。更直接點，現在的狀況是：SFM提供了理論支撐，SLAM真正融入了人們生活。
另一個問題是：SLAM和圖像算法是什么關系？
SLAM同步構建周圍世界的3d地圖，並確定robot所在的位置和方向。16年ICCV大會最后總結致辭：
SLAM是和ConvNets和Deep Learning互補的算法。SLAM專注於幾何問題， Deep Learning主要解決感知與識別。
如果想讓機器人走到冰箱而不撞牆，你需要SLAM；如果要識別冰箱內的物體，你需要卷積網絡。
當然，深度學習的興起，也會給SLAM/SFM提供新的養料。
SLAM的分支
首先明確三個問題：
- SLAM可以使用大量不同的硬件
- SALM是一個概念不是算法
- SLAM包含多步，每個模塊都有多種算法
所以，SLAM有一堆分支。但是整個SLAM框架可以分為前端和后端。根據不同的前端配置采用不同的后端策略，后端也提出了眾多的算法理論。
前端：涉及傳感器的選擇以及傳感器數據處理。比如里程計時間戳和Lidar點雲時間戳的對齊等。按傳感器功能，機器人的兩個主要模塊：
- 移動系統：里程計、GPS、IMU慣導等
- 測量系統：Laser、sonar、vision等
移動系統中的傳感器可以選擇一種或多重，甚至“沒有”（參考視覺里程計VO，根據圖片三維重建，反推攝像機位置，但是計算量大），一般SLAM硬件都會有一兩種。
測量系統中，Laser激光精度高，就是價格昂貴，32線程一個30萬左右，而且有些場景不適合。聲吶雷達價格便宜，技術成熟，就是精度差，水下等特殊場景廣泛采用。攝像機信息量豐富直觀，但處理量大，對光照敏感。vision又分單目雙目等，可見前端方案組合的多樣性。
后端：綜合前端信息，優化位姿。涉及數學知識較多。
常見的slam算法：vslam、rgbd-salm、monoslam、orb-slam等
SLAM的一般過程
由於運動估計傳感器（移動系統）得到的位姿通常具有較大的誤差，因而我們希望使用測量系統得到的周圍環境信息來優化位姿。
一個完整的處理過程如下：
- 機器人使用觀測系統測量地標相對於機器人的距離和角度。
- 運動一段距離后，達到新的位置，機器人通過運動方程預測新位置。
- 在新的位置，通過觀測系統重新測量各個地標的距離和角度。
- 如此反復
R表示機器人，五角星表示地標。地標的選擇是一個研究方向，簡單的有特征點（靜止點），更魯棒更高級的是線段，平面都可以作為地標。路標還會涉及到路標的更新。
利用預測值和觀測值計算系統狀態——卡爾曼濾波。
線性KF方程
u和z是硬件可以提供的，上述中x為系統狀態：![[x_{r},y_{r},z_{r}]](/image/aHR0cDovL2xhdGV4LmNvZGVjb2dzLmNvbS9naWYubGF0ZXg_JTVieF8lN2JyJTdkJTJjeV8lN2JyJTdkJTJjel8lN2JyJTdkJTVk.png)
表示robot的位置，
表示robot的姿態（四元組或者3個角度值），![[x_{n},y_{n}]](/image/aHR0cDovL2xhdGV4LmNvZGVjb2dzLmNvbS9naWYubGF0ZXg_JTVieF8lN2JuJTdkJTJjeV8lN2JuJTdkJTVk.png)
為地標的位置
u表示速度/加速度/角加速度等值。z表示測量系統得到的地標相對機器人的距離、角度。w和v表示噪聲。
由此，可以根據上一時刻狀態和當前時刻觀測量更新得到當前時刻狀態。這也是卡爾曼濾波所擅長的。
EKF
KF濾波是線性方程，但是距離等顯然不是線性的，因此，SLAM中其實用的最多的是EKF（Extended Kalman Filter）。
EKF實質是把差值認為是線性的，思想還是用線性系統代替非線性系統。計算可以參考《An Introduction to the Kalman Filter》。
目前，也有一些slam采用了粒子濾波PF，PF是基於馬爾科夫蒙特卡洛方法的抽樣濾波，適用非線性系統。PF中要維持所有的可能狀態，對資源消耗大。
上述漸進式的匹配方式，存在累計誤差。如果有一幀錯誤，后續又基於這個錯誤的位置，后果不堪設想。所以最好和前面多幀進行對比（預測方程基於前面多個時刻）。
后端Graph-based SLAM
SLAM借鑒SFM中的捆集優化思想，21世紀走向了圖優化的道路。
優化方法和濾波器方法有根本上的不同。它並不是一個迭代的過程，而是考慮過去所有幀中的信息。通過優化，把誤差平均分到每一次觀測當中。
Graph-based SLAM是無法計算的，圖的聯結數目巨大，但是其實這是一個稀疏的，正是這個稀疏性，使得優化思路成為了現實。這里要感謝稀疏代數的發展，網上有很多優化庫可解上述目標函數。
閉環檢測
新來一幀數據，如何判斷它在已有序列中是否出現過。
- 新幀的位置，如果回到歷史位置附近；
- 幀的特征和歷史關鍵幀特征相似（常用）。
不用第一種：科學家認為前一種依靠有噪聲的位置來減少位置的噪聲，有點循環論證的意思。第二種就是：幀幀匹配。
在沒有閉環的情況下，[k,k+t]這一段數據進行圖優化，如果閉環出現（如綠色），就要把歷史數據也考慮進來，入冊可以顯著減少累計誤差。
注意：閉環檢測的引入是為了減少誤差的，很多場景很難出現閉環這種情況，但是人們有意設計了這種狀況，比如掃機器人開啟前期，走一段路就繞回來，為得便是制造閉環。
SLAM的應用
- 掃地機器人，這簡直就是SLAM的代言人，除了定位+制圖，還需要引入路徑規划。
- 室內移動機器人
- 無人機
- 無人駕駛
等等，I am anywhere! SLAM也即將開啟超體時代。Google的cartographer也給SLAM添了一把火。
參考
《SLAM for Dummies》
http://www.leiphone.com/news/201605/5etiwlnkWnx7x0zb.html