（以下粗略介紹）
1. 視覺里程計(visual odometry)：視覺里程計的任務是估算相鄰影象間相機的運動，以及區域性地圖的樣子。
vo通過相鄰幀間的影象估計相機運動，並恢復場景的空間結構。它只計算相鄰時刻的運動，而和之前的資訊沒有關聯。但硬體計算肯定是有誤差的，也就是說把相鄰時刻的運動「串」起來，構成機械人的運動軌跡，來解決定位問題是錯誤的。誤差不可避免的出現累積漂移( accumulation drift )。正因為這樣，後端優化和回環檢測 2項技術來了。
2. 後端優化( optimization ) : 後端接收不同時刻視覺里程計測量的相機位姿，以及回環檢測的資訊，對它們進行優化，得到全域性一致的軌跡和地圖。由於接在vo之後，又稱為後端（back end)。
籠統的說，後端優化主要指處理slam過程中噪音的問題。相反地，視覺里程計部分有時被稱為「前端」。在slam框架中，前端給後端提供待優化的資料，以及這些資料的初始值。而後端負責整體的優化過程，它往往只面對資料，不必關心這些資料到底來自哪些感測器。在視覺slam中，前端和計算機視覺研究領域最為相關，比如影象的特徵提取與匹配等，後端則主要是濾波與非線性優化演算法。slam問題的本質：對運動主體自身和周圍環境空間不確定性的估計。
3. 回環檢測(loop closing)：回環檢測判斷機械人是否達到過先前的位置。如果檢測到回環，它會把資訊提供給後端進行處理。
主要解決位置估計隨時間漂移的問題。需要經過一段時間的運動後回到原點，但由於漂移，它的位置估計值卻沒回到原點。這時需要某些特徵值，判斷影象間的相似性來完成回環檢測。消除誤差，得到全域性一致的軌跡與地圖。
視覺slam14講 第1234講總結
slam主要完成的兩個問題是 完成slam依賴sensor 機械人本體上的sensor 主流方向，限制少 完整的乙個slam流程圖 slam中的數學描述包括兩個方程 描述剛體在空間中的旋轉有如下幾種方式 可以使用eigen庫進行相互轉換 對於描述剛體的運動我們已經可以使用李群 lie group 來...
視覺slam14講之後端優化
前端視覺里程計能給出乙個短時間內的軌跡和地圖，但不可避免的誤差累積，這個地圖在長時間內是不準確的。要想構建乙個尺度，規模更大的優化問題，以考慮長時間內的最優軌跡和地圖，這時後端優化就出現了。slam中的運動方程和觀測方程通常是非線性函式，尤其是視覺slam中的相機模型，需要使用相機內參模型及李代數表...
slam14講 slam的環境搭建
一.物理機的環境 win10 虛擬機器的版本 vm 14 sudo apt get install cmake cmake gui安裝好之後可檢視版本 cmake version3 pcl的安裝 因為pcl的庫比較複雜，所以先安裝pcl，安裝之前請拍攝快照備份。1 安裝依賴庫 sudo apt ge...