std入门教程
研究SLAM，对编程的要求有多高？
研究SLAM，对编程的要求有多高？
说到SLAM，许多人会提MATLAB，主要原因是大多数人本科阶段接触的都是MATLAB，所以希望之后研究SLAM也用它。
MATLAB确实有很多优点：语法简单，开发速度快，调试方便，功能丰富。然而，在SLAM领域，MATLAB缺点也很明显，主要是这三个：
1.需要正版软件（你不能实机上也装个盗版MATLAB吧）；
2.运行效率不高；
3.需要一个巨大的安装包。
而相对的，C 的优势在于直接使用，有很高的运行效率，不过开发速度和调试方面慢于MATLAB。
不过光运行效率这一条，就够许多SLAM方案选择C 作为开发语言了，因为运行效率真的很重要。
同一个算法，如果拿MATLAB写的不能实现实时，而拿C 写的能实现实时的话，你说用哪个？
当然，MATLAB也有一些用武之地。我见过一些SLAM相关的公开课程，让学生用MATLAB做仿真，交作业，这没有问题，比如SLAM toolbox 。
同样的，比较类似于MATLAB的Python（以及octave）亦常被用于此道。它们在开发上的快捷带来了很多便利，当你想要验证一些数学理论、思想时，这些都是不错的工具。技多不压身，掌握MATLAB和Python当然是很棒的。
但是一牵涉到实用，你会发现几乎所有的方案都在用C 。 因为运行效率实在是太重要了。
那既然有心思学MATLAB，为什么不学好C 呢？
接下来说说C 大概要学到什么程度
用程序员的话说，C 语言比较特殊，你可以说自己精通了Java，但千万不要说自己精通了C 。C 非常之博大精深，有数不清的特性，而且随着时间还会不断变化更新。不过，大多数人都用不着学会所有的C 特性，因为许多东西一辈子都用不到。
作为SLAM研究人员，我们面对的主要是算法层面的开发，所以更关心如何有效地实现各种相关的算法。而相对的，那些复杂的软件架构，设计模式，我个人认为在SLAM中倒是占次要地位的。毕竟，用SLAM的目的是计算一个位置以及建个地图，并不是要去写一套能够自动更新的、多人网上对战功能的机器人大战平台。
你的主要精力可能会花在矩阵运算、分块、非线性优化的实现、图像处理上面；你可能对并发、指令集加速、GPU加速等话题感兴趣，也可以花点时间学习；你还可能想用模板来拓展你的算法，也不妨一试。
相应的，很多功能性的东西，比如说UI、网络通信等等，当你用到的时候不妨接触一下，但专注于SLAM上时就不必专门去学习了。
话虽这样说，SLAM所需的C 水平，大抵要高于你在书本上看到的那些个示例代码。因为那些代码是作者用来向初学者介绍语法的，所以会尽量简单。而实际见到的代码往往结合了各种奇特的技巧，乍看起来会显得高深莫测。
GeoTalks
研究SLAM，对编程的要求有多高？半闲居士·2016-11-22 19:16
说到SLAM，许多人会提MATLAB，主要原因是大多数人本科阶段接触的都是MATLAB，所以希望之后研究SLAM也用它。
MATLAB确实有很多优点：语法简单，开发速度快，调试方便，功能丰富。然而，在SLAM领域，MATLAB缺点也很明显，主要是这三个：
1.需要正版软件（你不能实机上也装个盗版MATLAB吧）；
2.运行效率不高；
3.需要一个巨大的安装包。
而相对的，C 的优势在于直接使用，有很高的运行效率，不过开发速度和调试方面慢于MATLAB。
不过光运行效率这一条，就够许多SLAM方案选择C 作为开发语言了，因为运行效率真的很重要。
同一个算法，如果拿MATLAB写的不能实现实时，而拿C 写的能实现实时的话，你说用哪个？
当然，MATLAB也有一些用武之地。我见过一些SLAM相关的公开课程，让学生用MATLAB做仿真，交作业，这没有问题，比如SLAM toolbox 。
同样的，比较类似于MATLAB的Python（以及octave）亦常被用于此道。它们在开发上的快捷带来了很多便利，当你想要验证一些数学理论、思想时，这些都是不错的工具。技多不压身，掌握MATLAB和Python当然是很棒的。
但是一牵涉到实用，你会发现几乎所有的方案都在用C 。 因为运行效率实在是太重要了。
那既然有心思学MATLAB，为什么不学好C 呢？
接下来说说C 大概要学到什么程度
用程序员的话说，C 语言比较特殊，你可以说自己精通了Java，但千万不要说自己精通了C 。C 非常之博大精深，有数不清的特性，而且随着时间还会不断变化更新。不过，大多数人都用不着学会所有的C 特性，因为许多东西一辈子都用不到。
作为SLAM研究人员，我们面对的主要是算法层面的开发，所以更关心如何有效地实现各种相关的算法。而相对的，那些复杂的软件架构，设计模式，我个人认为在SLAM中倒是占次要地位的。毕竟，用SLAM的目的是计算一个位置以及建个地图，并不是要去写一套能够自动更新的、多人网上对战功能的机器人大战平台。
你的主要精力可能会花在矩阵运算、分块、非线性优化的实现、图像处理上面；你可能对并发、指令集加速、GPU加速等话题感兴趣，也可以花点时间学习；你还可能想用模板来拓展你的算法，也不妨一试。
相应的，很多功能性的东西，比如说UI、网络通信等等，当你用到的时候不妨接触一下，但专注于SLAM上时就不必专门去学习了。
话虽这样说，SLAM所需的C 水平，大抵要高于你在书本上看到的那些个示例代码。因为那些代码是作者用来向初学者介绍语法的，所以会尽量简单。而实际见到的代码往往结合了各种奇特的技巧，乍看起来会显得高深莫测。比方说你在教科书里看的大概是这样：
int main ( int argc, char** argv )
{
vectorltstringgt vec
vec.push_back(abc)
for ( int i0 () i )
{
// ...
}
return 0
}
你看了C Primer Plus，觉得C 也不过如此，并没有啥特别难以理解的地方。然而实际代码大概是这样的：
嵌套的模板类（来自g2o的块求解器）：
g2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt::LinearSolverType* linearSolver new g2o::LinearSolverDenseltg2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt::PoseMatrixTypegt() g2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt* solver_ptr new g2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt( linearSolver ) g2o::OptimizationAlgorithmLevenberg* solver new g2o::OptimizationAlgorithmLevenberg( solver_ptr )g2o::SparseOptimizer optimizer ( solver )
模板元（来自ceres的自动求导）：
virtual bool Evaluate(double const* const* parameters,
double* residuals,
double** jacobians) const {
if (!jacobians) {
return internal::VariadicEvaluatelt
CostFunctor, double, N0, N1, N2, N3, N4, N5, N6, N7, N8, N9gt
::Call(*functor_, parameters, residuals)
}
return internal::AutoDiffltCostFunctor, double,
N0, N1, N2, N3, N4, N5, N6, N7, N8, N9gt::Differentiate(
*functor_,
parameters,
SizedCostFunctionltkNumResiduals,
N0, N1, N2, N3, N4,
N5, N6, N7, N8, N9gt::num_residuals(),
residuals,
jacobians)}
C11新特性（来自SVO特征提取部分）
void Frame::setKeyPoints(){
for(size_t i 0 i lt 5 i)
if(key_pts_[i] ! NULL)
if(key_pts_[i]-gtpoint NULL)
key_pts_[i] NULL
std::for_each(fts_.begin(), fts_.end(), [amp](Feature* ftr){ if(ftr-gtpoint ! NULL) checkKeyPoints(ftr) })}
谜之运算（来自SVO的深度滤波器）：
void DepthFilter::updateSeed(const float x, const float tau2, Seed* seed){
float norm_scale sqrt(seed-gtsigma2 tau2)
if(std::isnan(norm_scale))
return
boost::math::normal_distributionltfloatgt nd(seed-gtmu, norm_scale)
float s2 1./(1./seed-gtsigma2 1./tau2)
float m s2*(seed-gtmu/seed-gtsigma2 x/tau2)
float C1 seed-gta/(seed-gta seed-gtb) * boost::math::pdf(nd, x)
float C2 seed-gtb/(seed-gta seed-gtb) * 1./seed-gtz_range
float normalization_constant C1 C2
C1 / normalization_constant
C2 / normalization_constant
float f C1*(seed-gta 1.)/(seed-gta seed-gtb 1.) C2*seed-gta/(seed-gta seed-gtb 1.)
float e C1*(seed-gta 1.)*(seed-gta 2.)/((seed-gta seed-gtb 1.)*(seed-gta seed-gtb 2.))
C2*seed-gta*(seed-gta 1.0f)/((seed-gta seed-gtb 1.0f)*(seed-gta seed-gtb 2.0f))
// update parameters
float mu_new C1*m C2*seed-gtmu
seed-gtsigma2 C1*(s2 m*m) C2*(seed-gtsigma2 seed-gtmu*seed-gtmu) - mu_new*mu_new
seed-gtmu mu_new
seed-gta (e-f)/(f-e/f)
seed-gtb seed-gta*(1.0f-f)/f}
我不知道你们看到这些代码是什么心情，总之我当时内心的感受是：这怎么和教科书里的完全不一样啊！而且研究了半天发现人家居然是对的啊！
[我不是很擅长贴表情图总之你们脑补一下就好]
总而言之，对C 的水平要求应该是在教科书之上的。而且这个水平的提高，多数时候建立在你不断地看别人代码、码自己代码的过程之上。它是反复练习出来的，并不是仅仅通过看书就能领会的。特别是对于视觉SLAM问题，很多时候你没法照着论文把一套方案实现出来，这很大程度上取决于你的理论和代码功底。
所以，请尽早开始学习C ，尽早开始使用C ，才是研究SLAM的正确之道。
不要长期彷徨在自己的舒适区里犹豫不决，这样是没有进步的。（同样的道理亦适用于想研究SLAM但不愿意学习Linux的朋友们）
关于闭环检测的库，稍微列几个
1.DBoW系列
来自TRO12的一篇文章，里头用k-means 训练的字典树。与OpenCV结合紧密，原理亦比较简单。
GitHub - dorian3d/DBoW2: Enhanced hierarchical bag-of-word library for C （）
GitHub - rmsalinas/DBow3: Improved version of DBow2
（）
2.FABMAP系列
用了Chow-Liu树，来自Cummins的一系列论文。作者自己提供过一个开源版本，OpenCV也有人实现了一个，所以一共两种。
FabMap原版（~）
OpenCV：OpenFABMAP
（）
3.DLoopDetector
在DBoW2基础上开发的回环检测库（）
建议从DBoW2或者DBoW3开始入手研究。原理和实现都相对简单一些，效果也比较好。
keystd山地自行车质量怎么样？
质量不错。这款山地车是内走线设计，内走线的好处是看起来简洁美观，还可以防止变速线暴露导致的一些问题：比如线条老化、变速不准等。内走线对车架的要求更高一点，放在1500以内也是少见的。
另一方面，这款有27速，速别丰富，可以适应不同的骑行需求，找到最大踩踏效率的速别。因此这款也是新手入门山地车的不错选择。