2. 视觉SLAM基础

视觉SLAM（Simultaneous Localization and Mapping，同时定位与建图）要解决的核心问题是：一台搭载相机的移动平台，在未知环境中运动时，如何仅凭图像序列，实时估计自身的运动轨迹，并同时构建出环境的地图。这个定义里藏着两个互相耦合的任务——定位需要地图作为参照，建图又需要准确的位姿作为基础，二者互为条件，这正是SLAM区别于单纯里程计或单纯三维重建的关键难点。

从概率角度看，SLAM是一个后验估计问题：给定观测数据（图像特征、像素亮度等）和运动输入（轮速、IMU），求机器人状态（位姿、速度、路标点）的联合后验分布。工程上通常把它拆解为若干可实现的模块，形成一条从传感器到地图的完整数据链路。

2.1 传感器类型：视觉SLAM的输入从哪来

视觉SLAM的“视觉”二字决定了相机是主传感器，但不同相机配置带来的信息维度差异很大。单目相机成本最低，却存在尺度不确定性——仅凭单目图像无法区分“小物体近距离”和“大物体远距离”；双目相机通过左右目视差恢复绝对尺度，但需要精确标定和同步；RGB-D相机直接输出深度图，在室内近距离场景中非常方便，但受红外结构光或ToF的测量范围与光照干扰限制。此外，IMU提供高频角速度和加速度，可在图像帧间填补运动信息，视觉惯性SLAM（VIO）已成为主流方案；轮式编码器则常用于地面机器人，提供平面运动的粗略约束。

2.2 前端里程计：帧间运动如何估计

前端里程计负责从相邻图像帧中估计相机的相对运动，是整条链路的“心跳”。主流方法分为特征点法和直接法。特征点法先提取ORB、SIFT等关键点并计算描述子，再通过描述子匹配建立帧间对应关系，最后用对极几何或PnP求解位姿；直接法则跳过描述子，直接最小化像素光度误差，在纹理弱、特征少的场景中更有优势，但对光照变化敏感。

前端输出的位姿是“增量式”的，误差会随帧数累积，形成漂移。因此前端通常还会维护一个局部地图或滑动窗口，通过局部BA（Bundle Adjustment）对最近若干帧的位姿和路标点做联合优化，抑制短期漂移。前端的关键指标包括跟踪成功率、位姿估计精度和实时性，通常要求在30Hz以上运行。

2.3 后端优化与回环检测：消除累积误差

后端优化是SLAM的“大脑”，它把前端产生的位姿和路标点作为初值，构建一个大规模非线性最小二乘问题，用图优化方法求解。图中节点是待优化的位姿和路标点，边是观测约束（重投影误差、IMU预积分误差等）。常用的求解器包括g2o、Ceres Solver和GTSAM，核心算法是高斯-牛顿或列文伯格-马夸尔特迭代。

回环检测则是“记忆”机制：当相机重新经过曾经到过的地方时，识别出这一事实并建立当前帧与历史帧的约束，从而把累积漂移一次性拉回。回环检测通常用词袋模型（BoW）或深度学习描述子做场景识别，再通过几何验证排除误匹配。一个错误的回环会严重破坏地图，因此回环检测的准确率比召回率更重要。

2.4 建图模块：地图不只是给人看的

建图的输出形式取决于下游任务。稀疏特征点地图适合定位与重定位，但无法用于避障；稠密点云或TSDF（截断符号距离场）地图能恢复场景几何，适合导航和三维重建；栅格地图和八叉树地图则更贴近移动机器人路径规划的需求。在视觉SLAM中，建图通常与后端优化共享同一套路标点，回环修正后地图会整体更新，因此地图的一致性依赖于后端和回环的准确性。

2.5 模块协同与典型误区

五个模块并非线性流水线，而是存在多条反馈路径：前端局部BA的结果会送入后端作为初值，回环检测的约束会反馈到后端改变全局位姿，后端优化后的位姿又会更新建图结果。理解这些反馈关系，是排查SLAM系统问题的关键。

# 典型视觉SLAM运行日志片段（示意）
[INFO] Frontend: tracked 312 features, inliers 287
[INFO] Frontend: PnP pose solved, reproj_err=0.42px
[INFO] Backend: local BA window=10, cost=1.83e+03
[INFO] Loop: candidate frame 142 matched, score=0.87
[INFO] Loop: geometric verification passed, adding constraint
[INFO] Backend: global BA converged, cost=4.21e+02
[INFO] Mapping: updated 58,432 points, TSDF integrated

掌握这五个模块的职责边界与数据流向，是后续学习回环检测与图优化工程实践的基础。只有先建立系统级认知，才能在面对具体算法和代码时，清楚每一步在整条链路中的位置与作用。