在七月算法报的班，老师讲的蛮好。好记性不如烂笔头，关键内容还是记录一下吧，课程入口，感兴趣的同学可以学习一下。

-------------------------------------------------------------------------------------------------------------------------------

SLAM的前段和后端都存在误差，因为建图与定位是耦合的，所以整个误差会积累。

回环检测是通过检测出之前去过的地点，对预测的轨迹进行修正。

回环检测的步骤：

❑ 检测到回环的发生

❑ 计算回环修选帧与当前帧的运动

❑ 验证回环是否成立

❑ 闭环

验证两帧之间的相似度，有以下几种常用的策略，其中基于外观的方法是主流，核心在于衡量两帧图像之间的相似度。

基于外观的主要方法：词袋BoW，词袋是对特征的聚类

➢ 特征聚类形成了 Word

➢ 许多 Word 组成了 Dictionary

➢ 只看 Word 的有无，无视 Word 的顺序

➢ 图像的相似性 = Word 的相似性

其中会对各word用one-hot模式进行编码

再通过词的相似度，推算出图像的相似度。

聚类: 无监督机器学习（Unsupervised ML）中一个特别常见的问题;

❖ 用于让机器自行寻找数据中的规律的问题。

BoW的字典生成问题亦属于其中之一，N个特征点，归为k个单词。

K-Means 的算法流程

当我们有N个数据，想要归为k各类:

➢ 随机选取k个中心点：𝑐1, 𝑐2 … 𝑐𝑘；

➢ 对每一个样本，计算与每个中心点之间的距离，取最小的作为它的归类；

➢ 重新计算每个类的中心点。

➢ 如果每个中心点都变化很小，则算法收敛，退出；否则重复进行。

字典的结构

➢ 当实际拿到一个特征时，需要查询它对应的Word是什么

➢ 遍历比较： 𝑂(𝑛)

➢ 建立字典结构可以加速比较，比如KD Tree

word 的相似度测量

用到了TF-IDF，本质上是信息论的那一套

两个词之间的相似度测量

找到相似帧之后的处理方式。

SLAM 中的回环检测

➢ 使用相对的评分而非绝对的评分

➢ 思路：相邻关键帧是相似的，而回环的相似度应该约等于相邻关键帧

检测成功以后：

➢ 根据 PnP 等算法计算运动关系

➢ 根据重投影关系验证回环是否成立

➢ 利用全局 BA 或 Pose Graph 进行优化

建图，实际当中地图往往有不同形式，对应不同需求。

➢ 定位仅需匹配特征点

➢ 导航和避障需要稠密障碍物信息

➢ 交互需要稠密的物体表面信息

➢ 高层任务需要语义信息

单目的稠密建图

构建的一般为点云数据类型的地图

后续包括泊松重建和Surfel重建等

还有Octomap等，可以降低点云的数据量

重要的开源SLAM，很好的学习材料。

GitHub - raulmur/ORB_SLAM2: Real-Time SLAM for Monocular, Stereo and RGB-D Cameras, with Loop Detection and Relocalization Capabilities