計算機(jī)視覺、圖像基礎(chǔ)

• 數(shù)字圖像處理
• 計算機(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)》，英文名《Linear Algebra Done Right》

• Sparse Matrix：optimization->各種least square算法Dr. Tim Davis的課件：Tim Davis ，他的主頁里有全部的課程視頻和Project

• 針對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，關(guān)鍵學(xué)習(xí)貝葉斯濾波，也是就是貝葉斯公式在各個問題(定位，SLAM)中的應(yīng)用

• 優(yōu)化的話，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，因?yàn)楹芏鄦栴}，最后都是歸結(jié)到最小二乘優(yōu)化，然后就是梯度下降、求Jacobian之類的

SLAM入門

• 綜述論文
  SimultaneousLocalisationandMapping(SLAM):Part SimultaneousLocalisationandMapping(SLAM):Part 2

• 做visual slam的話，推薦visual odometry part 1和part 2visual odometry 和 visual slam基本是同質(zhì)的問題，只不過關(guān)注的點(diǎn)各有側(cè)重，odometry注重的是當(dāng)前實(shí)時性，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、2D-to-2D correspondences
  2、3D-to-3D correspondences
  3、2D-to-3D correspondences

• Andrew Davison的課程
  AD在在week 8里面推薦了slam的兩個入門 Tutorial 1 和Tutorial 2

• Tutorial的兩篇文章文筆灰常秀麗，但是不操作還是云里霧里
  所以這里有一個瑞士蘇黎世理工的學(xué)生練習(xí)
  大家把excise 3：SLAM（EKF）做了，也就差不多了解些slam的原理了。關(guān)于練習(xí)3的答案，我過幾天上傳好。

編程基礎(chǔ)

• OpenCV的文檔Camera Calibration and 3D Reconstruction中，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，可以就做一個簡單的直線擬合，不要用Matlab中的優(yōu)化工具，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，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