計(jì)算機(jī)視覺挣跋、圖像基礎(chǔ)
- 數(shù)字圖像處理
- 計(jì)算機(jī)視覺
- Multiple View Geometry in Computer Vision，配合Berkeley課件
數(shù)學(xué)基礎(chǔ)
《線性代數(shù)應(yīng)該這樣學(xué)》峭咒，英文名《Linear Algebra Done Right》
Sparse Matrix：optimization->各種least square算法Dr. Tim Davis的課件：Tim Davis ，他的主頁(yè)里有全部的課程視頻和Project
針對(duì)SLAM問題，最常用的least square算法是Sparse Levenberg Marquardt algorithm，這里有一份開源的代碼以及具體實(shí)現(xiàn)的paper：[Sparse Non-Linear Least Squares in C/C++]
Thrun的《probabilistic robotics》概率學(xué)是如何解決機(jī)器人中的問題的始花，關(guān)鍵學(xué)習(xí)貝葉斯濾波，也是就是貝葉斯公式在各個(gè)問題(定位孩锡，SLAM)中的應(yīng)用
優(yōu)化的話酷宵，建議先把最小二乘優(yōu)化中給弄透徹，數(shù)學(xué)推導(dǎo)要會(huì)躬窜，因?yàn)楹芏鄦栴}浇垦，最后都是歸結(jié)到最小二乘優(yōu)化，然后就是梯度下降荣挨、求Jacobian之類的
SLAM入門
綜述論文
SimultaneousLocalisationandMapping(SLAM):Part SimultaneousLocalisationandMapping(SLAM):Part 2做visual slam的話男韧，推薦visual odometry part 1和part 2visual odometry 和 visual slam基本是同質(zhì)的問題，只不過(guò)關(guān)注的點(diǎn)各有側(cè)重默垄，odometry注重的是當(dāng)前實(shí)時(shí)性此虑，slam 注重的是全局的優(yōu)化。這兩篇文章歸納了做odometry（slam）的三種主流的feature-based算法：
1口锭、2D-to-2D correspondences
2朦前、3D-to-3D correspondences
3介杆、2D-to-3D correspondencesAndrew Davison的課程
AD在在week 8里面推薦了slam的兩個(gè)入門 Tutorial 1 和Tutorial 2Tutorial的兩篇文章文筆灰常秀麗，但是不操作還是云里霧里
所以這里有一個(gè)瑞士蘇黎世理工的學(xué)生練習(xí)
大家把excise 3：SLAM（EKF）做了韭寸，也就差不多了解些slam的原理了春哨。關(guān)于練習(xí)3的答案，我過(guò)幾天上傳好恩伺。
編程基礎(chǔ)
OpenCV的文檔Camera Calibration and 3D Reconstruction中赴背，包含SLAM相關(guān)的基礎(chǔ)理論公式以及C/C++/Python實(shí)現(xiàn)的API
入門先寫一發(fā)最小二乘優(yōu)化，可以就做一個(gè)簡(jiǎn)單的直線擬合晶渠，不要用Matlab中的優(yōu)化工具癞尚，了解數(shù)學(xué)推導(dǎo)最后是怎么寫到代碼里面的。
要玩好Matlab優(yōu)化工具包乱陡，做實(shí)驗(yàn)最方便了
嘗試玩一些現(xiàn)有的SLAM包www.openslam.org
ROS建議先試試Gmapping
閱讀orbslam的源代碼
經(jīng)典論文
PTAM,DTAM,SLAM這幾篇經(jīng)典文章
