分享
SLAM包含了兩個主要的任務：定位與構圖，在移動機器人或者自動駕駛中，這是一個十分重要的問題：機器人要精確的移動，就必須要有一個環境的地圖，那麼要構建環境的地圖就需要知道機器人的位置。
本系列文章主要分成四個部分：
在第一部分中，將介紹Lidar SLAM，包括Lidar傳感器，開源Lidar SLAM系統，Lidar中的深度學習以及挑戰和未來。
第二部分重點介紹了Visual SLAM，包括相機傳感器，不同稠密SLAM的開源視覺SLAM系統。
第三部分介紹視覺慣性里程法SLAM，視覺SLAM中的深度學習以及未來。
第四部分中，將介紹激光雷達與視覺的融合。
激光雷達和視覺SLAM系統 說到激光雷達和視覺SLAM系統，必不可少的是兩者之間的標定工作。
多傳感器校準
Camera&IMU:Kalibr[1]是一個工具箱，解決了以下幾種傳感器的校準：
多攝像機校準。
視覺慣性校準（Camera IMU）。
捲簾快門式攝像機校準。
Vins融合了視覺與IMU,具有在線空間校準和在線時間校準的功能。
MSCKF-VIO具有攝像機和IMU的校準功能。
mc-VINS[2]可以校準所有多個攝像機和IMU之間的外部參數和時間偏移。
IMU-TK[3][4]還可以對IMU的內部參數進行校準。
論文[5]提出了一種用於單目VIO的端到端網絡，融合了來自攝像機和IMU的數據。
單目與深度相機
BAD S