2021@SDUSC

2021年12月28日

概述

经过这半个学期的学习，我对于SLAM经历了一个从一无所知到逐渐了解的充实的学习过程。

在学习的过程中，在收获关于SLAM、cpp的知识的同时，也得到了自主学习研究相关的经验和技巧。对于问题的解决能力得到了进一步的提升，对于陌生的代码阅读技能也有了一定的长进。

回顾这三个月的学习：我的学习内容可以大致概括如下：

• 开课到十月一日：对于ros系统的熟悉认识了解
• 十月份：开始对于LVI-SLAM的分析，主要是对于雷达部分的分析和总结
• 十一月份：对于视觉部分的分析，分析的主要部分是visual_estimator里的initial文件夹
• 十二月份：对于视觉部分的分析，分析的主要部分是visual_estimator里的factor文件夹

主要的分析内容包含了：

雷达部分

feature Extraction

分析的是特征提取，主要是用来处理雷达得到数据，并对其进行进一步的处理，包括：

• 得到的数据存放转化成点云，存放在相应的数据结构当中
• 计算当前得到帧每点的曲率
• 标记不同的点，被遮挡的和被标记的
• 使用上述的三个功能函数来处理数据

视觉部分

estimator

分析的范围包括了两个部分，分别是initial文件夹和factor文件夹

initial

initial文件夹下有四个主要的函数，分别是：initial_alignment, initial_ex_rotation,initial_sfm和solve_5pts。

这几个函数的功能是相关的，都是用来初始化系统参数。

包括了估计旋转外参数、利用sfm求取特征点和位姿在参考坐标下的值，利用相机旋转约束来标定IMU角速度偏差、以及利用平移来估计重力和各个bk帧的尺度、优化标定重力，确定世界坐标系，确定各点在世界坐标系下的参数等等。

factor

这个文件的主要功能是非线性优化，与google的ceres库联系紧密。

包括了两部分的优化：

• 与ceres库紧密联系的：
  • 边缘化因子
  • imu因子
  • projection因子
• 使用内部函数进行的边缘化

回顾这一系列的学习成果，结合小组中其他同学的工作，我深感自己对于ROS系统的理解才刚刚开始入门，要想深入了解透彻这部分的内容，还需要很长的道路要走。尤其是关于数学变换部分的原理，自己还需要进一步的提升加强。