- imu標定
工具包：imu_utils, imu_tk, kalibr
用kalibr做標定，相機和imu的采樣頻率要求：相機20，imu100。kalibr也可以做魚眼相機+imu的聯合標定。
用imu_utils做標定，launch文件中的參數max_time_min指的是rosbag的時間，必須大於等於這個時間。
imu_utils源碼及使用說明： https://github.com/gaowenliang/imu_utils
imu_tk源碼及使用說明： https://bitbucket.org/alberto_pretto/imu_tk
萌新談相機與IMU標定 https://zhuanlan.zhihu.com/p/44424457
- kinect標定
工具包：iai_kinect
- 如何解決光照變化情況下的特征點匹配問題？
策略1：室外沒什么好的思路，室內的話機器人上弄個特定頻段的紅外光源，攝像頭加帶通濾光片，是比較直接有效的方法
策略2：當一種傳感器不行的時候，這個時候就要考慮再加一個傳感器，並且把兩種傳感器信號進行融合
- ukf
ukf的主要問題是協方差的正定性沒有卡爾曼濾波那樣有里卡提方程做保障，這是工程中的大忌諱
- ekf
擴展卡爾曼濾波
- ekf和ukf計算過程中都需要設置process noise convariance Q 矩陣，有沒有相應的設置規則？
參考paul zarchan的書，比較工程，Fundamentals of Kalman Filtering A Practical Approach, Third Edition。這本書評價極高，詳見http://bbs.loveuav.com/thread-333-1-1.html。
Q的參數設置非常不好調，必須保證濾波增益讓系統收斂，濾波又比較容易進入穩態，增益后期會特別小，不起作用。因此總結為一句話就是要保證卡爾曼濾波在誤差收斂之前不進入穩態。因此slam轉向優化的方向是沒錯的，卡爾曼濾波一步更新，優化可以多次迭代。
- epf
particle filter 擴展粒子濾波
- 后端划分
歐式空間的卡爾曼濾波，歐式空間的非線性濾波(此處應是非線性優化)，非歐空間的非線性濾波（此處也應是非線性優化）。
其中第二種的論文和代碼都比較成熟了，要關注的是第三種，也是slam領域的黃金成果，另外，就是集群，多個時間維度的平方根解法。
對於姿態這種非歐量，有的要在歐式的切空間上來搞，有的直接優化姿態。現在有直接優化姿態的方法：gtsam他們都是，后來看控制的left invariant kf也是這種操作，把3*3矩陣當3維流形耍。。。
- g2o
增量式ba，g2o編完有個increment的可執行文件，有個example
- gmapping
- 閉環檢測方法
詞袋方法，深度學習方法，netvlad，reid
- RGBDSMLAMv2
單詞geodesic(graph-) neighborhood是什么意思？
- cartographer
環境搭建及測試：https://www.cnblogs.com/hitcm/p/5939507.html
- bundlefusion的主要融合部分移植到ubuntu 16.04下，對應的博客為https://blog.csdn.net/uranus_guan/article/details/83067725
- 計算slam軌跡的rmse的開源程序
tum tool，EuRoC數據集的測評工具evo，或者高翔說小腳本自己寫一下10分鍾搞定。
- 點雲的精度如何計算？
計算每個點到groundtruth最近距離的均值
- SLAM目前主流的嵌入式芯片有哪些？
tk1，TX2，Odroid，rk3399，
在TX2上跑cartorgrapher：https://blog.csdn.net/zong596568821xp/article/details/77678693
- 搞slam用的相機有哪些？
realsense d415，realsense d435，xavier，
- 掃地機器人路徑規划用什么算法？要保證機器人放到一個未知環境就可以自主跑完整個可行區域？
弓字形+A*+DWA，沒有捷徑，只能消化網上的代碼和paper，然后結合機器人本身不斷調試。