7. 后端优化

概念介绍：

SLAM (simultaneous localization and mapping), 即时定位与地图构建，被很多学者认为是实现真正全自主移动机器人的关键。直白地讲，SLAM指的是当某种设备（如机器人、VR设备等）来到一个完全陌生的环境时，它需要精准地建立时间和空间的对应关系，并能优秀地回答以下一系列问题：我刚才在哪里，现在在哪里？我看到了什么，现在看到的和之前看到的有哪些异同？我过去的行走轨迹是什么？我现在看到的世界是什么样子，和过去相比有怎样的变化？我的轨迹抖吗，我的位置飘吗？我还能跟踪到自己的轨迹吗，如果我丢了应该怎么办？我过去建立的对世界的认识还有用吗？我能在已有世界的抽象里快速对我现在的位置进行定位吗？

当下，SLAM正在AR、机器人、无人机、无人驾驶等领域火速入侵，用夸张点的说法，就像移动互联网时代的手机地图定位一样，只要是跟位置相关的生意，谁抛弃了这张地图，谁将抛弃了自己的未来。

本课程主讲内容有以下：

1. 概述与预备知识
    1.1  课程内容提要与预备知识
    1.2  SLAM是什么
    1.3  视觉SLAM数学表述与框架
    1.4  Linux下的C++编程基础
    1.5  实践：Hello SLAM
2. 三维空间的刚体运动
    2.1 点与坐标系
    2.2 旋转矩阵
    2.3 旋转向量与欧拉角
    2.4 四元数
    2.5 相似、仿射和射影变换
    2.6 实践：Eigen矩阵运算
    2.7 实践：Eigen几何模块
3. 李群与李代数
    3.1 群
    3.2 李群与李代数
    3.3 指数与对数映射
    3.4 李代数求导与扰动模型
    3.5 实践：Sophus李代数运算
4. 相机模型与非线性优化
    4.1 针孔相机模型与畸变
    4.2 图像的组成
    4.3 从状态估计到最小二乘
    4.4 非线性优化与最小二乘法
    4.5 实践：Ceres曲线拟合
    4.6 实践：g2o曲线拟合
5. 特征点法视觉里程计
    5.1 特征点的提取与匹配
    5.2 对极几何
    5.3 三角测量
    5.4 3D-2D：PnP
    5.5 3D-3D：ICP
    5.6 实践：ORB特征点
    5.7 实践：PnP
    5.8 实践：ICP
6. 直接法视觉里程计
    6.1 直接法的引出
    6.2 光流
    6.3 直接法
    6.4 实践：LK光流
    6.5 实践：RGB-D直接法
7. 后端优化
    7.1 滤波器
    7.2 Bundle Adjustment与图优化
    7.3 Pose Graph
    7.4 Factor Graph
    7.5 实践：g2o/Ceres实现的Bundle Adjustment
    7.6 实践：Pose Graph
8. 回环检测
    8.1 概述
    8.2 词袋模型
    8.3 实践：建立字典以计算图像间相似性
    8.4 课程小结