SLAM十四讲学习笔记（一）--前言与第二讲

书的内容：会提及 SLAM 的历史、理论、算法、现状，并且把完整的 SLAM 系统分成几个 模块：视觉里程计、后端优化、建图以及回环检测。
文章架构：
第一部分（数学基础篇）： SLAM 系统概述，三维空间运动，李群和李代数，针孔相机模型以及图像在计算机中的表达，非线性优化
第二部分（SLAM 技术篇）：特征点法的视觉里程计，直接法的视觉里程计，后端优化，后端优化中的位姿图，回环检测，地图构建，当前的开源 SLAM 项目以及未来的发展方向。
书中代码地址：

https://github.com/gaoxiang12/slambook

第二讲–初识SLAM
2.1相机初识
相机分类：单目(Monocular)、双目(Stereo)和深度相机(RGB-D)，还有全景相机、Event 相机等种类
单目重建的问题：深度未知，尺度不确定性。

基线（baseline）：双目相机是由两个单目相机组成，两个单目相机的距离即基线。
深度相机(又称 RGB-D 相机）最大的特点是可以通过红外结构光或 Time-of-Flight(ToF)原理,像激光传感器那样,通过主动向物体发射光并接收返回的光,测出物体离相机的距离。

2.2经典视觉SLAM框架
SLAM流程：
1.传感器信息读取。在视觉 SLAM 中主要为相机图像信息的读取和预处理。如果在机器人中,还可能有码盘、惯性传感器等信息的读取和同步。
2. 视觉里程计 (Visual Odometry, VO)。视觉里程计任务是估算相邻图像间相机的运动,以及局部地图的样子。VO 又称为前端(Front End)。
3. 后端优化(Optimization)。后端接受不同时刻视觉里程计测量的相机位姿,以及回环检测的信息,对它们进行优化,得到全局一致的轨迹和地图。由于接在 VO 之后,又称为后端(Back End)。
4. 回环检测(Loop Closing)。回环检测判断机器人是否曾经到达过先前的位置。如果检测到回环,它会把信息提供给后端进行处理。（主要解决位置估计随时间漂移的问题）
5.建图(Mapping)。它根据估计的轨迹,建立与任务要求对应的地图。
在视觉 SLAM 中,前端和计算机视觉研究领域更为相关,比如图像的特征提取与匹配等,后端则主要是滤波与非线性优化算法。
建图中，由于对地图的使用方式不同，所期望的功能不同，可以把地图分为度量地图和拓扑地图两类。
度量地图：强调精确地表示地图中物体的位置关系,通常我们用稀疏(Sparse)与稠密(Dense)对它们进行分类。选择一部分具有代表意义的东西,称之为路标(Landmark)，一张稀疏地图
就是由路标组成的地图。
拓扑地图：相比于度量地图的精确性,拓扑地图则更强调地图元素之间的关系。拓扑地图是一个图(Graph),由节点和边组成,只考虑节点间的连通性,例如 A,B 点是连通的,而不考虑如何从 A 点到达 B 点的过程。

介绍cmake与cmakelist的使用方式