1.建圖
我們所謂的地圖，即所有路標點的集合。一旦我們確定了路標點的位置，那就可以說我們完成了建圖。
地圖的作用：（1）定位 ；（2）導航； （3）避障； （4）重建； （5）交互
2. 稠密重建
單個圖像中的像素，只能提供物體與相機成像平面的角 度以及物體采集到的亮度，而無法提供物體的距離（Range）。而在稠密重建，我們需要知道每一個像素點（或大部分像素點）的距離，大致上有以下幾種解決方案：
1. 使用單目相機，利用移動相機之后進行三角化，測量像素的距離。
2. 使用雙目相機，利用左右目的視差計算像素的距離（多目原理相同）。
3. 使用 RGB-D 相機直接獲得像素距離。
使用 RGB-D 進行稠密重建往往是更常見的選擇。而單目雙目的好處，是在目前 RGB-D 還無法很好應用的室外、大場景場合中，仍能通過立體視覺估計深度信息。
3. 單目稠密重建
稠密深度估計問題中，匹配是很重要的一環：如何確定第一張圖的某像素，出現在其他圖里的位置，需要用到極線搜索和塊匹配技術。
3.1.極線搜索與塊匹配
極線搜索的示意圖
在特征點法中，通過特征匹配得到p2的位置，然而實際沒有描述子，只能在極線上搜索和p1想的比較相似的點。（可能沿着極線一直走比較每個像素與p1的相似程度。）這就是極線搜索。
單個像素的亮度沒有區分性，由此我們想到可以比較像素塊，我們在 p1 周圍取一個大小為 w×w 的小塊，然后在極線上也取很多同樣大小的小塊進行比較，就可以一定程度上提高區分性。這就是所謂的塊匹配。
計算小塊與小塊間的差異，有不同的計算方法：
1. SAD(Sum of Absolute Difference)。顧名思義，即取兩個小塊的差的絕對值之和：
2. SSD。SSD 並不是說大家喜歡的固態硬盤，而是 Sum of Squared Distance(SSD)（平 方和）的意思：
3. NCC(Normalized Cross Correlation)（歸一化互相關）。這種方式比前兩者要復雜一些，它計算的是兩個小塊的相關性：
請注意，由於這里用的是相關性，所以相關性接近 0 表示兩個圖像不相似，而接近 1 才表示相似。前面兩種距離則是反過來的，接近 0 表示相似，而大的數值表示不相似。
在極線上，計算了 A 與每一個 Bi 的相似性yo度量。為了方便敘述，假設我們用了 NCC，那么，我們將得到一個沿着極線的 NCC 分布。這個分布的形狀嚴重取決於 圖像本身的樣子，例如圖 13-3 那樣。在搜索距離較長的情況下，我們通常會得到一個非凸 函數：這個分布存在着許多峰值，然而真實的對應點必定只有一個。在這種情況下，我們 會傾向於使用概率分布來描述深度值，而非用某個單一個的數值來描述深度。於是，我們 的問題就轉到了，在不斷對不同圖像進行極線搜索時，我們估計的深度分布將發生怎樣的 變化——這就是所謂的深度濾波器。
3.2. 高斯分布的深度濾波器
稠密深度的完整過程
1. 假設所有像素的深度滿足某個初始的高斯分布；
2. 當新數據產生時，通過極線搜索和塊匹配確定投影點位置；
3. 根據幾何關系計算三角化后的深度以及不確定性；
4. 將當前觀測融合進上一次的估計中。若收斂則停止計算，否則返回 2。
最后深度圖趨於穩定
像素梯度
逆深度
4. RGB-D稠密建圖
點雲地圖（Point_Cloud Map）
1. 在生成每幀點雲時，去掉深度值太大或無效的點。
2. 利用統計濾波器方法去除孤立點。該濾波器統計每個點與它最近 N 個點的距離值的 分布，去除距離均值過大的點。這樣，我們保留了那些“粘在一起”的點，去掉了孤 立的噪聲點。
3. 最后，利用體素濾波器（Voxel Filter）進行降采樣。由於多個視角存在視野重疊，在 重疊區域會存在大量的位置十分相近的點。這會無益地占用許多內存空間。體素濾波 保證在某個一定大小的立方體（或稱體素）內僅有一個點，相當於對三維空間進行了 降采樣，從而節省了很多存儲空間。
三角網格（Mesh），面片（Surfel）
通過體素（Voxel）建立占據網格地圖（Occupancy Map）
SFM 泊松重建
八叉樹地圖（Octo-Map）
將三維空間建模為很多小方塊（體素），每個面切成兩片分割為8塊。一直重復達到建模的最高精度。
對於本文的所有實踐，可參考《視覺SLAM十四講》建圖部分，這里就不加以敘述了。