SLAM算法总结3354经典SLAM算法框架总结SLAM算法总结3354经典SLAM算法框架总结
SLAM算法总结——经典SLAM算法框架总结
研究生接触贫民窟算法已经两三年了。 在此期间，我学习了很多经典的贫民窟算法框架，并写了相关的博客。 本博客的主要目的是简单地总结这些博客以检查其不足。 首先，根据我的理解，我整理了以下思维导图。 读者发现有什么需要补充或纠正的地方请随时交流：
基于分类，来说明视觉SLAM吧。 视觉SLAM算法相对于激光SLAM算法信息丰富，通过二维提取特征点，通常可以达到更高的频率。 但是由于信息丰富，容易引入噪声，缺少三维信息，视觉SLAM算法的鲁棒性在平均水平上低于激光SLAM。 特别地，传统的特征定位和绘制在工程APP应用中相对受限，并且当前受欢迎的方向之一是通过诸如Super Pixel、Super Clue等的网络提取更鲁棒的特征，或者是通过网络
以下是视觉贫民窟的博客链接，感兴趣的同学可以知道：
纯视觉方案：
可视SLAM总结——ORB SLAM2中的关键知识点总结
可视SLAM总结——SVO中关键知识点总结
可视SLAM总结——LSD SLAM中关键知识点总结
与IMU方案合作：
VINS-Mono关键知识点总结——前端详情
VINS-Mono关键知识点总结——边缘化幻化理论与代码细节
双赢的关键知识点总结——预积分和后端优化IMU部分
学习MSCKF笔记本——前端、图像金字塔光学流和Two Point Ransac
学习MSCKF笔记——四元数基础
学习MSCKF笔记——的实际、标称状态和误差状态
学习MSCKF笔记本——后端、状态预测、状态放大和状态更新
组合激光方案：
视觉激光融合——VLOAM/LIMO算法分析
我先接触入门的视觉SLAM，再接触激光SLAM，所以接触激光SLAM的时间不是很长。 虽然激光SLAM和视觉SLAM的基本方法相同，但是在传感器的输入处理上略有不同。 如上所述，激光SLAM在工程APP应用方面会更加成熟。 以下是激光SLAM博客的链接：
纯激光方案：
学习LOAM笔记——的特征点提取与匹配
与IMU方案合作：
激光IMU融合3354 lio-mapping/liom/Lins/lio-Sam算法分析
组合视觉场景：
视觉激光融合——VLOAM/LIMO算法分析
在视觉与激光的结合方向上，2021年ICRA还有一片LVI-SAM，工程实现是VINS-Mono与LIO-SAM的结合。