Topic（实际运用）。前面四种只有定位和建图俩件事，高级话题是slam技术主要发展方向，例如动态场景、语义地图、多机器人协作等等。

        (3)未知环境的导航(MaplessNavigation)：相对于上面两种方法，在实时的动态环境中无法建立明确的地图表达形式，更多的是通过传感器获得的观测信息用来识别或者跟踪环境中的物体来导航。

        (3)组合定位(CombinedPositionMethod)：虽然相对定位这种方法能够根据运动学模型的自我推算移动机器人的位姿和轨迹而且具有自包含的有点。但是不可避免地会存在随时间的增加和距离的增加而增加的累积航迹误差。在绝对定位中，地图匹配技术处理数据速度较慢，而信标或标识牌的建设和维护成本太高，GPS又只能在室外使用。由于单一定位的方法的缺陷，移动机器人定位仍然是基于航迹的推算与绝对位姿和轨迹矫正相结合起来。

传感器数据：主要用于采集实际环境中的各类型原始数据。包括激光扫描数据、视频图像数据、点云数据等。

视觉里程计：主要用于不同时刻间移动目标相对位置的估算。包括特征匹配、直接配准等算法的应用。

后端：主要用于优化视觉里程计带来的累计误差。包括滤波器、图优化等算法应用。

回环检测：主要用于空间累积误差消除

建图：用于三维地图构建。
        传感器读取数据后，视觉里程计估计两个时刻的相对运动（Ego-motion），后端处理视觉里程计估计结果的累积误差，建图则根据前端与后端得到的运动轨迹来建立地图，回环检测考虑了同一场景不同时刻的图像，提供了空间上约束来消除累积误差。

        激光SLAM采用2D或3D激光雷达（也叫单线或多线激光雷达），2D激光雷达一般用于室内机器人上（如扫地机器人），而3D激光雷达一般使用于无人驾驶领域。激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云。激光雷达测距比较准确，误差模型简单，在强光直射以外的环境中运行稳定，点云的处理也比较容易。

transform 或 SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。Sift算法就是用不同尺度（σ）的高斯函数对图像进行平滑，然后比较平滑后图像的差别，差别大的像素就是特征明显的点。

        sift对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；即使少数的几个物体也可以产生大量的SIFT特征向量；经优化的SIFT匹配算法甚至可以达到实时的要求。      

值越大，标准差越大，浮动范围也就越大，原始图像改变越明显。

        DOG（高斯差分图像金字塔）：，为高斯模糊后的图像相减得到。灰度变化大的地方，差分值大。k=2时，图像缩小为1/2，σ不变。

        图像金字塔用以解决高斯核无法处理的外层像素，例如3*3的掩膜最外层无法处理。

        DOG空间极值检测：某像素与周围的26个像素进行比较，为最大/最小值时就是极值点。

        经过（1）、（2）得到了具有尺度不变性的关键点，为得到旋转不变性，需要根据关键点所在高斯尺度图像的邻域结构中求得一个方向基准。 

        特征点即可得到（x,y,σ,θ）,即位置、尺度、方向。具有多个方向的关键点可以被复制成多份，然后将方向值分别赋予复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但方向不同的特征点。

        半径r=3*1.5σ（高斯金字塔r区域内的所有像素的梯度特征），使用直方图统计关键点邻域内像素的梯度幅值和方向。具体是将360°分为36柱，下图简化为8柱。

        取16×16的窗口，箭头方向代表梯度方向，长度代表梯度幅值，用高斯窗口进行加权运算（σ=0.5d），每个特征由4×4个种子点组成，即一个关键点会产生128维的SIFT特征向量。

        BF匹配首先对互相匹配的两个特征点创建BFmatcher对象，其原理是在第一幅图像中选择一个关键点然后依次与第二幅图像的每个关键点进行(改变)距离测试，最后返回距离最近的关键点。然后根据匹配的质量对其进行排序。最后绘制前10个最佳匹配。

        次近邻的距离乘以一个小于1的值，获得的值称为阈值，只有当距离分值小于阈值时，则称之为“好点”。最近邻和次近邻大小差不多的点，更容易出现错误的匹配，即“坏点”。这种方法时比率检验。

        应用比率检验，下例代码将阈值设置为次优匹配距离分值的0.75倍，如果knnmatch不满足次优匹配，则该点为“坏点”，舍弃。

        代码取5kd-trees和50checks，其总能取得合理精度，而且短时间完成。舍弃距离大于0.7的点，可以避免90%的错误匹配，但是好的匹配结果也会很少。

本篇详细讲解点云处理中的基本分割和聚类的算法原理。

lidar的分辨率要高于radar，但是radar可以直接测量目标的速度。通过融合两者，可以获得对目标较好的位置和速度估计。

激光雷达坐标系：右手法则，大拇指朝上为z，食指朝前为x，中指朝左为y, lidar的解析度很大程度上取决于线数，其解析度指标分为横向解析度和纵向解析度，横向解析度即一条激光束扫描一圈（360度）的反射点的数量，作为参考，Velodyne的16线激光雷达的横向解析度为1800个反射点，即：