第一章：SLAM概述——从零开始，理解机器人如何“看懂”世界
大家好，我是这门课的主讲人。在机器人行业摸爬滚打了十几年，我见过太多人一上来就啃ORB-SLAM源码，结果被各种数学公式劝退。其实，SLAM没那么玄乎。今天，我们就用最接地气的方式，把SLAM的底裤扒干净。
1.1 什么是SLAM？说白了就是“我在哪，周围有啥，我咋过来的”
SLAM的全称是Simultaneous Localization and Mapping，中文叫“同步定位与地图构建”。你想想看，一个机器人被丢进陌生环境，它要干三件事：
- 定位：我在哪？（比如坐标x=1.5, y=2.3）
- 建图：周围有啥？（比如前方3米有堵墙，右边有个桌子）
- 同时进行：一边走路一边画地图，再用地图修正自己的位置。
这就像你蒙上眼睛走进一个房间，一边摸墙一边在脑子里画户型图。嗯，这里要注意，SLAM的核心难点就在于“先有鸡还是先有蛋”——没有地图你没法定位，没有定位你没法建图。我刚开始做项目时，就被这个死循环折磨得够呛。
核心公式（简化版）：
状态估计 = 运动模型（我走了多远） + 观测模型（我看到了什么）说白了，就是拿传感器数据去猜概率最大的那个答案。
1.2 SLAM的应用领域——不只是扫地机器人
很多人一提到SLAM就想到扫地机，其实它的应用远比你想象的广。我参与过的项目里，SLAM几乎无处不在：
| 领域 | 典型应用 | 我踩过的坑 |
|---|---|---|
| 自动驾驶 | 高精地图构建、车辆定位 | 曾经在隧道里GPS失效，全靠激光SLAM撑着 |
| AR/VR | 手机AR游戏、头显空间定位 | 纯视觉SLAM在弱光下容易飘，后来加了IMU才稳住 |
| 无人机 | 室内自主导航、编队飞行 | 炸过两次机，都是因为回环检测没做好 |
| 仓储物流 | AGV小车、无人叉车 | 仓库环境太对称，视觉SLAM经常认错路 |
| 服务机器人 | 酒店送餐、商场导览 | 动态行人太多，地图更新不及时就撞人 |
你看，SLAM不是某个特定领域的专利。我个人习惯把SLAM比作机器人的“小脑”——没有它，机器人就是个盲人。
1.3 SLAM系统的分类——激光 vs 视觉，谁更牛？
这是新手最常问的问题。我直接给结论：没有谁更牛，只有谁更合适。
激光SLAM
- 传感器：激光雷达（2D/3D）
- 优点：精度高（毫米级）、不受光照影响、直接测距
- 缺点：贵（一个16线雷达够买台电脑）、无纹理信息、怕玻璃
- 代表方案：GMapping、Cartographer、LOAM
避坑指南：我曾经在玻璃幕墙大楼里做激光SLAM，结果雷达直接穿透玻璃打到对面墙上，地图全乱了。后来加了反光条才解决。
视觉SLAM
- 传感器：单目/双目/深度相机
- 优点：便宜（几百块）、信息丰富（颜色、纹理）、轻便
- 缺点：怕光照变化、怕快速运动、计算量大
- 代表方案：ORB-SLAM3、VINS-Mono、DVO
注意：单目相机有尺度模糊问题——你没法直接知道物体离你多远。我见过有人用单目SLAM做室内导航，结果地图比例尺完全不对，机器人以为走了10米，实际才走了5米。
混合方案（多传感器融合）
现在的主流趋势。比如激光+视觉+IMU，取长补短。我个人习惯在室外用视觉+IMU，室内用激光+视觉。你想想看，单一传感器总有短板，融合才是王道。
1.4 课程目标与学习路径——我建议你这样学
这门课的目标很明确：从零搭建一个能跑起来的SLAM建图系统。不是让你背公式，而是让你动手写代码、调参数、看效果。
我建议的学习路径是这样的：
- 先搞懂数学基础（第2-5章）：坐标系变换、李群李代数、概率论。别怕，我会用代码帮你理解。
- 再啃核心模块（第6-15章）：前端里程计、后端优化、回环检测、地图构建。每章都有可运行的demo。
- 最后实战整合（第16-30章）：从零写一个轻量级SLAM系统，跑通公开数据集，再移植到真机上。
我的个人经验：不要一上来就追求完美。我第一次写SLAM时，前端里程计跑出来全是噪声，地图像抽象画。但没关系，先跑通再优化。记住，完成比完美重要。
嗯，这里还要提醒一句：SLAM的学习曲线确实陡，但只要你跟着这门课一步步来，每章都动手敲代码，三个月后你就能自己调通一个完整的SLAM系统。我见过太多人半途而废，其实就差那么一口气。
给新手的建议：准备一个笔记本，把每章的关键公式手抄一遍。我当年就是这么干的，手写一遍比看十遍管用。
好了，第一章就到这里。记住，SLAM不是魔法，是数学+代码+工程经验的结合。接下来，我们就要开始动手了。