1. 课程导入

在移动机器人、自动驾驶与三维重建系统中，SLAM（Simultaneous Localization and Mapping，同步定位与建图）解决的是“我在哪里”和“周围是什么样”这两个相互耦合的问题。整个SLAM系统通常被划分为前端与后端：前端负责从传感器原始数据中估计相邻时刻的运动，后端负责全局优化与一致性维护。本课程聚焦前端，也就是里程计估计与扫描匹配这一最贴近传感器、最影响实时性的环节。

如果把SLAM比作人的行走过程，前端就像内耳前庭与视觉共同提供的“步态感”，它必须快速、连续地给出位姿增量；后端则像大脑对长期记忆的校正。前端一旦漂移过大或匹配失败，后端再强也难以挽回。因此，理解前端的输入输出、核心算法与工程约束，是进入SLAM领域的第一道门槛。

一、学习目标：从“会看”到“会算”

本课程的学习目标分为四个层次，逐层递进：

• 概念层：理解里程计、扫描匹配、位姿变换、帧间约束、累积漂移等基本术语，能区分前端与后端的职责边界。
• 方法层：掌握ICP、NDT、相关性匹配、特征匹配等主流扫描匹配算法的原理与适用条件。
• 工程层：能够阅读并修改典型前端代码，配置关键参数，处理点云降采样、运动畸变、外参标定等实际问题。
• 评估层：会用轨迹误差、匹配残差、实时性指标判断前端质量，并能定位常见失败模式。

二、核心概念：位姿、点云与匹配

前端里程计的本质，是估计相邻两帧之间的刚体变换。设第k帧机器人位姿为 T_k，第k+1帧为 T_{k+1}，则里程计输出的是相对变换 T_{k+1,k}。这个变换通常由旋转矩阵 R 与平移向量 t 组成，在二维场景中可简化为 (x, y, θ) 三个自由度。

扫描匹配则是求解这个变换的手段：给定两帧点云或扫描数据，寻找使它们重合度最高的位姿。匹配质量通常用残差函数衡量，例如ICP使用点到点或点到面距离，NDT使用概率密度得分。匹配的初值、点云密度、环境几何结构都会显著影响结果。

// 典型前端里程计输出结构（伪代码）
struct OdometryResult {
  double timestamp;
  Eigen::Matrix4d T_curr_prev;  // 当前帧相对上一帧的变换
  double fitness_score;          // 匹配残差或得分
  bool converged;                // 是否收敛
  int iterations;                // 迭代次数
};

三、整体框架：前端在SLAM中的位置

下图展示了SLAM前端里程计与扫描匹配的整体数据流与模块关系。传感器数据首先经过预处理，进入扫描匹配模块估计帧间位姿，再通过局部地图维护与关键帧选择，将约束传递给后端优化。图中同时标出了前端内部的主要环节与它们之间的信号流向。

四、课程路线图：30章如何展开

本课程共30章，按照“基础概念—核心算法—工程实践—评估与进阶”的主线组织。下表给出了各阶段的主要章节与学习重点，帮助你在学习过程中建立全局视角。

五、典型场景与常见误区

以一个室内移动机器人为例：机器人搭载二维激光雷达，在走廊中匀速前进。前端需要将每帧扫描与上一帧或局部地图匹配，输出 (Δx, Δy, Δθ)。如果走廊两侧墙面平行且缺乏纵向特征，扫描匹配在前进方向上的约束会变弱，导致“沿走廊方向漂移”。这是前端最典型的退化场景之一。