講完了前端後端，這一講講的是回環檢測。比起之前的內容要容易理解多了=-=
其思路是：
回環檢測的作用：消除累積誤差。
累積誤差是怎麼來的呢？前端根據區域性（相鄰或相近）幀給出位姿估計，後端也是根據前端已有的結果進行優化（比如p(x
k∣xk
−1
)p(x_k|x_)
p(xk∣
xk−1
)），這樣，當前端每一幀都存在誤差時，基於誤差的估計就會更加不準確。一段時間後就會出現累積誤差。
回環檢測所做的，是不依賴於前一幀的資訊，直接比較當前幀和之前的任意幀，跳過其中的誤差。如果檢測出當前幀和之前某一幀相似，就可以用這個資訊矯正累積誤差。（那麼，是根據之前的幀矯正，還是根據當前幀矯正呢，怎麼矯正？）
要做回環檢測，面臨的問題是：怎麼知道這個地方之前有沒有來過，即怎麼判斷幀間的相似性。
兩種思路：
那麼問題轉變成：如何計算影象相似性？
這裡引入兩個概念：
正常來講，判定是回環的閾值提高，會使得準確率提高，同時時召回率下降。
slam中，要求回環檢測的高準確率。
現在的問題是，如何衡量兩張影象的相似性。
前段中使用了特徵點匹配，但存在費時、受光照影響的問題。因此，這裡把特徵點進行聚合抽象，使用詞袋模型進行匹配檢測。
一些概念：
字典的特性：只描述特徵有沒有出現，或出現的程度（次數、頻率等），不關心其位置資訊。
接下來的問題是：如何構造詞典。
其方法是，使用聚類生成。使用的基本是k-means。
在構造字典時，若使用乙個向量(vector)儲存，查詢時就是o(n)的複雜度。因此，選擇使用樹形結構，而且是乙個規則k叉樹。
一顆k叉樹，深度為d，其能容納k
dk^d
kd個單詞（實際上是kd−
1+
1k^+1
kd−1+1
，書上這裡寫的應該不嚴謹，或者說這裡是沒有樹根的）。每一層的特徵都是抽象層次逐漸降低，樹根是最廣泛的概括特徵，第二層分k類，第三層又在第二層的每個節點特徵基礎上再分k類……。這樣，查詢一次的複雜度是o(d
)o(d)
o(d)
，原先是o(n
)=o(
kd
)o(n)=o(k^d)
o(n)=o
(kd)
。接下來的問題是，給出了兩幀影象在字典中的詞袋模型（0/n向量），如何評價，它們倆的相似度？顯然，可以使用計算範數的方法，但是，不同的特徵應該有不同的權重。要考慮單詞的區分性或重要性。
這裡使用的方法是tf-idf。其中：
影象中乙個單詞的權重就是：
n i=
tfi∗
idfi
n_i=tf_i*idf_i
ni=tf
i∗i
dfi
同時表示了這個單詞的本身重要性和它在這幅影象的重要性。
乙個影象的bow就是：
a =(
w1,n
1),.
..,(
wi,n
i),.
..,(
wn,n
n)
a=a=
(w1
,n1
),..
.,(w
i,n
i),
...,
(wn
,nn
)它本質是乙個向量，其中n是所有單詞（字典規模），n
in_i
ni可能為0，表示這個單詞不存在。
給出了bow，就可以計算兩個bow之間的相似性，來代表兩個影象的相似性。計算方法可以用各種範數。
字典變大，使得總體評分降低。但相似幀與非相似幀間的差距拉大。
對評分除以當前幀與上一幀的相似評分，來進行歸一化。
最好稀疏選取。
檢測出回環後，持續多幀認為是真回環，或做運動估計，檢查與之前的估計是否相近。
視覺SLAM十四講第四講
主要目標 理解李群與李代數的概念，掌握 so 3 se 3 與對應李代數的表示方式。理解 bch 近似的意義。學會在李代數上的擾動模型。使用 sophus 對李代數進行運算。旋轉矩陣自身是帶有約束的 正交且行列式為 1 它們作為優化變數時，會引入額外的約束，使優化變得困難。通過李群 李代數間的轉換關...
《視覺SLAM十四講》筆記 第二講 初識SLAM
自身位置 定位 周圍環境 建圖 感測器分類 視覺slam 強調未知環境 單目相機 monocular 單目相機的資料 影象 以二維的形式反映了三維的世界。無法通過單張得到深度資訊。存在尺度不確定性 雙目相機 stereo 兩個相機間的距離 基線已知。基線越大，能測量的距離越遠。因此，無人車上的雙目相...
《視覺SLAM十四講》第2講
目錄本講主要內容 1 視覺slam中的感測器 2 經典視覺slam框架 3 slam問題的數學表述 想象乙個在室內的移動機械人在自由地探索室內的環境，那麼定位與建圖可以直觀地理解成 1 我在什麼地方？定位 2 周圍環境是怎樣的？建圖 而要完成定位和建圖則需要各種感測器的支援。感測器一般可以分為兩類，...