SLAM 知识图谱

同步定位与建图（Simultaneous Localization and Mapping, SLAM）是移动机器人和自动驾驶中的核心技术。本文以思维导图的形式，系统性地梳理了 SLAM 的完整知识体系，涵盖前端、后端、回环检测等核心模块。

目录

1. 知识图谱
2. 结构说明
   1. 核心模块
   2. 学习路径
3. 相关资源
4. 总结

知识图谱

下图展示了 SLAM 的完整技术栈，包括传感器类型、前端里程计、后端优化、地图表示等核心知识点及其相互关系。

结构说明

核心模块

SLAM 系统通常包含以下核心模块：

1. 传感器系统

• 视觉传感器（单目、双目、RGB-D）
• 激光雷达（2D/3D LiDAR）
• 惯性测量单元（IMU）
• 多传感器融合

2. 前端里程计

• 视觉里程计（VO）
• 激光里程计（LO）
• 惯性里程计
• 特征提取与匹配

3. 后端优化

• 滤波方法（EKF、粒子滤波）
• 图优化（Pose Graph、BA）
• 非线性优化库（g2o、Ceres）

4. 回环检测

• 词袋模型（BoW）
• 视觉位置识别
• 几何验证

5. 地图表示

• 稀疏地图
• 稠密地图
• 点云地图
• 语义地图

学习路径

1. 基础理论：多视图几何、状态估计、概率机器人
2. 经典系统：ORB-SLAM、VINS、LIO-SAM
3. 实践项目：从简单的 2D SLAM 开始，逐步扩展到 3D
4. 前沿方向：语义 SLAM、深度学习 SLAM、动态场景

相关资源

• 经典教材：

  • Multiple View Geometry in Computer Vision - Hartley & Zisserman
  • Probabilistic Robotics - Thrun et al.
  • 视觉 SLAM 十四讲 - 高翔

• 开源项目：

  • ORB-SLAM3
  • VINS-Mono
  • Cartographer

总结

SLAM 是一个跨学科的复杂系统，涉及计算机视觉、机器人学、优化理论等多个领域。通过思维导图的方式，可以更清晰地理解各个模块之间的关系和依赖，为深入学习提供系统化的指引。