SLAM资源收集

SLAM课程：

1、http://ais.informatik.uni-freiburg.de/teaching/ws15/mapping/  （https://www.youtube.com/watch?v=U6vr3iNrwRA&index=1&list=PLgnQpQtFTOGQrZ4O5QzbIHgl3b1JHimN_）

2、http://www.doc.ic.ac.uk/~ajd/Robotics/index.html ——Andrew Davison (Imperial College London)

3、https://webdocs.cs.ualberta.ca/~zhang/c631/——主要以作业为主 （University of Alberta）

4、高翔博士（http://www.cnblogs.com/gaoxiang12/p/5762702.html）--泡泡机器人

本贴整理了我先前做过的一些报告，以便读者查询：

• SLAM基础知识（q群直播）：ppt&录像： http://pan.baidu.com/s/1boD9yVH
• SLAM基础知识（加长版），2016ROS暑期学校@华东师大，ppt和录音：http://www.robotics.sei.ecnu.edu.cn/ros2016/prog.html
• 直接法的理论与实现（斗鱼直播），ppt：http://pan.baidu.com/s/1dE2cspF，录像：[稍后上传]
• 非线性优化与g2o（斗鱼直播），ppt：http://pan.baidu.com/s/1hrY0oaK 录像：http://pan.baidu.com/s/1c2qPdle
• caffe简介（斗鱼）[稍后上传]

　　此外:

• slamcn.org也是我和朋友们一直在维护的网站。
• http://space.bilibili.com/38737757 是泡泡机器人公开课的b站主页。--视频

……

参考书籍：

1、“Probabilistic Robotics”——http://www.probabilistic-robotics.org/

2、“slam for dummies”

3、“Introduction to Estimation and Data fusion_Slides”

入门篇：（摘自：http://blog.csdn.net/hiddleson/article/details/25914569）

1. Andrew Davison的课程： http://www.doc.ic.ac.uk/~ajd/Robotics/index.html

    AD在在week 8里面推荐了slam的两个入门 Tutorial 1  和Tutorial 2

2. Tutorial的两篇文章文笔灰常秀丽，但是不操作还是云里雾里：

   所以这里有一个瑞士苏黎世理工的学生练习

   大家把excise 3：SLAM（EKF）做了，也就差不多了解些slam的原理了

   关于练习3的答案，我过几天上传好, 答案

3. 对于我这个学渣来说，EKF其实还是比较难理解，所以推荐一本书，详见第三章，学霸无视

KF、PF等滤波Matlab示例代码（http://studentdavestutorials.weebly.com/）

二、现有资源

1. OpenSLAM：https://openslam.org/

这个网站中含有很多slam方面的资料，编写的程序也各有不同，很权威

2. Kitti这个图库，大家可以下载做simulation：http://www.cvlibs.net/datasets/kitti/

3. 个人感觉exercise 3练习后，可以选择 Javier Civera 的程序进行试手，感觉灰常不错。注意对calibration的调整

    http://webdiis.unizar.es/~jcivera/code/1p-ransac-ekf-monoslam.html

4. 对于JC的1p RANSAC-monoSLAM有一定了解了，可以试试用SURF去实现

    这里有个南理工哥们的论文还不错，可以参考 http://cdmd.cnki.com.cn/Article/CDMD-10288-1012319519.htm

三、有用的书籍

1. Multiple View Geometry in Computer Vision Second Edition ，http://www.robots.ox.ac.uk/~vgg/hzbook/

    计算机视觉方面大神级别的书，也有中文版，点此下载中英文双版

2. Robotics Vision and Control  ， pdf下载：http://robotics.itee.uq.edu.au/~metr4202/tpl/Robotics%20Vision%20&%20Control.pdf

通过MATLAB几乎把机器人学给贯穿了，里面每章节都有对应的Code，关于里面Matlab的codes，需要留言

澳大利亚昆士兰理工大学的Peter Corke是机器视觉领域的大牛人物，他所编写的Robotics, vision and control一书更是该领域的经典教材

配套有matlab工具箱。工具箱分为两部分，一部分为机器人方面的，另一部分为视觉方面的工具箱

源代码都是开放免费下载的： http://petercorke.com/Toolbox_software.html

3. Probabilistic Robotics. 这本书是导师推荐的

他说这本书的理解要有很好的数学基础，大神一定要读，很多不懂的都会柳暗花明

http://www.probabilistic-robotics.org/

一些专业站点：

1、

a) OpenSLAM

http://openslam.org/——这个网站中含有很多slam方面的资料，编写的程序也各有不同，很权威

b)

http://www.mrpt.org/—— mobile robot programming toolkit非常好的东西

c)ROS+SLAM

http://wiki.ros.org/rgbdslam

http://wiki.ros.org/gmapping 

2、RGB-D SLAM Dataset and Benchmark

http://vision.in.tum.de/data/datasets/rgbd-dataset

3、单目SLAM

http://vision.ia.ac.cn/Students/gzp/monocularslam.html

http://www.cs.unc.edu/~welch/kalman/——卡尔曼滤波

4、Computer Vision Algorithm Implementations

http://www.cvpapers.com/rr.html

5、http://slamcn.org/index.php/

博客：

1、从零开始学SLAM（http://blog.csdn.net/hiddleson/article/details/25914569）

2、http://blog.csdn.net/iamsheldon/article/details/6895026 （待分析）

1. http://www.openslam.org/

2. http://www-personal.acfr.usyd.edu.au/nebot/victoria_park.htm 经典数据库

3. http://babel.isa.uma.es/mrpt/index.php/Main_Page 2008年开始陆续出现了一些好文章.

4. http://cres.usc.edu/radishrepository/view-all.php  包含了大量的用于验证SLAM算法的数据.

5. http://robots.stanford.edu/papers.html             Standford 研究团队

6. http://www.isa.uma.es/C13/jlblanco/default.aspx     西班牙的一个博士生.编程能力极强. 另外Jose Neira带领的团队也比较猛.

7. http://cml.mit.edu/~jleonard/                       麻省理工的一个团队，参加了DARPA的智能车挑战赛。目前主要从事水下SLAM的研究。

另外现在的利用飞机采集数据，研究SLAM是目前的一个热点。最近几年，理论上的突破已经很有限。大量研究者开始转向视觉SLAM。

代表人物牛津大学的Andrew Davison （http://www.doc.ic.ac.uk/~ajd/）

几个牛人：

1. Tim Beily 及所在的 悉尼大学一些研究者

2.Giorgio Grisetti;Cyrill Stachniss;Wolfram Burgard; (GridMapping 算法,及概率机器人一书作者)

3. ;M. Montemerlo; Dirk Haehnel; Sebastian Thrun;   (FastSLAM创始者,理论水平和实际应用能力非常强)。参加过DARPA的智能车挑战赛，取得最好成绩。

4. Austin Eliazar; Ronald Parr; (DP-SLAM创始者,从文章到数据,程序都公开的牛人)

http://www.cs.duke.edu/~eliazar

http://www.cs.duke.edu/~parr

5. 以 Jose Neira和Jose luis Blanco为代表的一批西班牙学者.

6. Andrew Davison 视觉SLAM 领域的权威。

7.John Leonard  侧重于 应用。目前主要在做水下SLAM的项目。参加过DARPA的智能车挑战赛。

http://cml.mit.edu/~jleonard

8、“why-slam-matters-future-of-real-time”  http://www.computervisionblog.com/2016/01/why-slam-matters-future-of-real-time.html

来源： <http://blog.csdn.net/iamsheldon/article/details/6895026>

摘自：《http://www.cnblogs.com/jian-li/p/4472499.html》

教材

程序设计

• c++
• 《The C Programming Language》
• 《深入理解计算机系统》
• 《c和指针》
• 《linux程序设计（第四版）》

编程

• Linux下项目阅读神器与方便的开发环境
  c++开发环境配置、matlab开发环境配置、ros开发环境配置、cmake,make项目，qtcreator项目
• 计算机组成原理，计算机体系结构，操作系统，并行编程
• 编译原理
• 并行计算

理论基础

• State estimation
• linear solver
• Multiview geometry
• Probabilitic robotics

SfM

SLAM

框架

• SLAM研究点

数学工具

• 李代数

  数据集和方法比较

• kitti

vSLAM

下面一张图是slam的分类：

• 传感器介绍：
• IMU介绍
  vslam 主要使用的传感器包括三种：（1）rgbd相机；（2）单目相机；（3）双目相机。
  各种传感器的主要的优劣：
  • rgbd相机（1）优点：在于能够直接rgb图像和深度图像，不需要额外的算法计算深度信息；（2）缺点：rgbd相机由于红外相机的功率问题，容易受到太阳光的干扰，无法在室外使用。各种rgbd相机的参数我会在后面的文章中给出。
  • 单目相机：（1）优点：单目相对于rgbd相机和双目相机没啥优点，毕竟rgbd相机有一个rgb和一个深度相机，怎么样都不会比单目差吧。。而双目相机有两个rgb相机，唯一的优点可能是单目相机价格相对便宜，而且能够容易获得，比如手机呀，pad等，都有单目相机，也就有很多人用手机和pad做单目的slam。（2）缺点：无法直接获得深度信息，用单目进行slam缺少尺度信息，slam的过程中也会存在尺度漂移的问题。
  • 双目相机：（1）优点：能够获得深度信息，能够使用在室外和室内的情况，不存在rgbd相机的问题；（2）缺点：有些器件需要同步两个相机，深度大的地方深度的误差较大，很远的时候退化成单目（简单的讲就是左右两个相机看到的都是一样的）。
• 各种传感器slam的项目罗列：
  • RGB-D相机
    （1） washington university 华盛顿大学的rgbdslam，经典的方法和理论介绍[1]。
    （2） kinfu 某位大牛根据kinectfusion的论文自己写的rgbdslam，模型非常的精细。
    （3） rgbdslam Endres大大写的slam，经典的方法。
• rgbdslam各个模块资料
  TODO：上面列的各个slam算法
  • vo方法
  • 闭环检测方法
  • 图优化
    （1）GTSam
    （2）Ceres
    （3）TORO: Tree-based netwORk Optimizer
    （4）g2o
• 单目相机资料
  • 单目相机标定原理及代码分析：张正友标定法
• tvl1_optical_flow
• A Multi-scale Approach to 3D Scattered Data Interpolation
  with Compactly Supported Basis Functions
• Ptam

激光SLAM

• 2d laser slam
  • 传感器原理介绍
  • 2d laser slam算法
    这里介绍常见的3种算法，gmapping算法需要给出轮式里程计的数据，而hector slam则不需要轮式里程计，只用激光雷达就可以进行slam，karto slam也需要轮式里程计的数据。
    gmapping:基于particle filter的方法
    hector slam：只有前端scan matching的方法
    TODO：写一篇关于原理和代码分析的博客。
    karto slam：基于图优化的方法
    前端配准的文章，后端优化的文章
    TODO：原理分析，代码分析
• icp算法原理分析与代码介绍
• libpointmatcher：高效的3d lidar处理库

• ICPCUDA

• 3d laser slam
• 激光
• viametris
• slam6d

• blam

international lidar forum

博客

• More than technical

编程库

• LIBVISO2

期刊

• 参考链接(http://emuch.net/html/201205/4495593.html)
• IEEE Transactions on Robotics
• INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH
• Journal of Field Robotics

• AUTONOMOUS ROBOTS

  会议

• ICRA2015
• IEEE International Conference on Robotics and Automation
• IROS2015
  IEEE\RSJ智能机器人与系统国际会议

• ROBIO2015
  IEEE机器人学和仿生学国际会议

其他库

python topography plot

• PyMVMA

robotics

• Robotics

计算机视觉

famous cv labs or website

• computer vision research group
• 他人整理的资料

computer vision

• CV
• TUM CV Group

比赛

IMAV

摘自：https://github.com/kanster/awesome-slam

Simultaneous Localization and Mapping, also known as SLAM, is the computational problem of constructing or updating a map of an unknown environment while simultaneously keeping track of an agent's location within it.

News

• For researchers, please read the recent review paper, Past, Present, and Future of Simultaneous Localization And Mapping: Towards the Robust-Perception Age, from Cesar Cadena, Luca Carlone et al.

Table of Contents

• Books

• Courses, Lectures and Workshops

• Papers

• Researchers

• Datasets

• Code

• Miscellaneous

• Contributing

Books

• State Estimation for Robotic -- A Matrix Lie Group Approach by Timothy D. Barfoot, 2016
• Simultaneous Localization and Mapping for Mobile Robots: Introduction and Methods by Juan-Antonio Fernández-Madrigal and José Luis Blanco Claraco, 2012
• Simultaneous Localization and Mapping: Exactly Sparse Information Filters by Zhan Wang, Shoudong Huang and Gamini Dissanayake, 2011
• Probabilistic Robotics by Dieter Fox, Sebastian Thrun, and Wolfram Burgard, 2005
• An Invitation to 3-D Vision -- from Images to Geometric Models by Yi Ma, Stefano Soatto, Jana Kosecka and Shankar S. Sastry, 2005
• Multiple View Geometry in Computer Vision by Richard Hartley and Andrew Zisserman, 2004
• Numerical Optimization by Jorge Nocedal and Stephen J. Wright, 1999

Courses, Lectures and Workshops

• SLAM Tutorial@ICRA 2016
• Geometry and Beyond - Representations, Physics, and Scene Understanding for Robotics at Robotics: Science and Systems (2016)
• Robotics - UPenn on Coursera by Vijay Kumar (2016)
• Robot Mapping - UniFreiburg by Gian Diego Tipaldi and Wolfram Burgard (2015-2016)
• Robot Mapping - UniBonn by Cyrill Stachniss (2016)
• Introduction to Mobile Robotics - UniFreiburg by Wolfram Burgard, Michael Ruhnke and Bastian Steder (2015-2016)
• Computer Vision II: Multiple View Geometry - TUM by Daniel Cremers ( Spring 2016)
• Advanced Robotics - UCBerkeley by Pieter Abbeel (Fall 2015)
• Mapping, Localization, and Self-Driving Vehicles at CMU RI seminar by John Leonard (2015)
• The Problem of Mobile Sensors: Setting future goals and indicators of progress for SLAM sponsored by Australian Centre for Robotics and Vision (2015)
• Robotics - UPenn by Philip Dames and Kostas Daniilidis (2014)
• Autonomous Navigation for Flying Robots on EdX by Jurgen Sturm and Daniel Cremers (2014)
• Robust and Efficient Real-time Mapping for Autonomous Robots at CMU RI seminar by Michael Kaess (2014)
• KinectFusion - Real-time 3D Reconstruction and Interaction Using a Moving Depth Camera by David Kim (2012)
• SLAM Summer School organized by Australian Centre for Field Robotics (2009)
• SLAM Summer School organized by University of Oxford and Imperial College London (2006)
• SLAM Summer School organized by KTH Royal Institute of Technology (2002)

Papers

• Past, Present, and Future of Simultaneous Localization And Mapping: Towards the Robust-Perception Age (2016)
• Direct Sparse Odometry (2016)
• Modelling Uncertainty in Deep Learning for Camera Relocalization (2016)
• Large-Scale Cooperative 3D Visual-Inertial Mapping in a Manhattan World (2016)
• Towards Lifelong Feature-Based Mapping in Semi-Static Environments (2016)
• Tree-Connectivity: Evaluating the Graphical Structure of SLAM (2016)
• Visual-Inertial Direct SLAM (2016)
• A Unified Resource-Constrained Framework for Graph SLAM (2016)
• Multi-Level Mapping: Real-time Dense Monocular SLAM (2016)
• Lagrangian duality in 3D SLAM: Verification techniques and optimal solutions (2015)
• A Solution to the Simultaneous Localization and Map Building (SLAM) Problem
• Simulataneous Localization and Mapping with the Extended Kalman Filter

Researchers

United States

• John Leonard
• Sebastian Thrun
• Frank Dellaert
• Dieter Fox
• Stergios I. Roumeliotis
• Vijay Kumar
• Ryan Eustice
• Michael Kaess
• Guoquan (Paul) Huang
• Gabe Sibley
• Luca Carlone
• Andrea Censi

Europe

• Paul Newman
• Roland Siegwart
• Juan Nieto
• Wolfram Burgard
• Jose Neira
• Davide Scaramuzza

Australia

• Cesar Cadena
• Ian Reid
• Tim Bailey
• Gamini Dissanayake
• Shoudong Huang

Datasets

1. Intel Research Lab (Seattle)

Code

1. ORB-SLAM
   
2. LSD-SLAM
3. ORB-SLAM2
4. DVO: Dense Visual Odometry
5. SVO: Semi-Direct Monocular Visual Odometry
6. G2O: General Graph Optimization
7. RGBD-SLAM