- imu标定
工具包：imu_utils, imu_tk, kalibr
用kalibr做标定，相机和imu的采样频率要求：相机20，imu100。kalibr也可以做鱼眼相机+imu的联合标定。
用imu_utils做标定，launch文件中的参数max_time_min指的是rosbag的时间，必须大于等于这个时间。
imu_utils源码及使用说明： https://github.com/gaowenliang/imu_utils
imu_tk源码及使用说明： https://bitbucket.org/alberto_pretto/imu_tk
萌新谈相机与IMU标定 https://zhuanlan.zhihu.com/p/44424457
- kinect标定
工具包：iai_kinect
- 如何解决光照变化情况下的特征点匹配问题？
策略1：室外没什么好的思路，室内的话机器人上弄个特定频段的红外光源，摄像头加带通滤光片，是比较直接有效的方法
策略2：当一种传感器不行的时候，这个时候就要考虑再加一个传感器，并且把两种传感器信号进行融合
- ukf
ukf的主要问题是协方差的正定性没有卡尔曼滤波那样有里卡提方程做保障，这是工程中的大忌讳
- ekf
扩展卡尔曼滤波
- ekf和ukf计算过程中都需要设置process noise convariance Q 矩阵，有没有相应的设置规则？
参考paul zarchan的书，比较工程，Fundamentals of Kalman Filtering A Practical Approach, Third Edition。这本书评价极高，详见http://bbs.loveuav.com/thread-333-1-1.html。
Q的参数设置非常不好调，必须保证滤波增益让系统收敛，滤波又比较容易进入稳态，增益后期会特别小，不起作用。因此总结为一句话就是要保证卡尔曼滤波在误差收敛之前不进入稳态。因此slam转向优化的方向是没错的，卡尔曼滤波一步更新，优化可以多次迭代。
- epf
particle filter 扩展粒子滤波
- 后端划分
欧式空间的卡尔曼滤波，欧式空间的非线性滤波(此处应是非线性优化)，非欧空间的非线性滤波（此处也应是非线性优化）。
其中第二种的论文和代码都比较成熟了，要关注的是第三种，也是slam领域的黄金成果，另外，就是集群，多个时间维度的平方根解法。
对于姿态这种非欧量，有的要在欧式的切空间上来搞，有的直接优化姿态。现在有直接优化姿态的方法：gtsam他们都是，后来看控制的left invariant kf也是这种操作，把3*3矩阵当3维流形耍。。。
- g2o
增量式ba，g2o编完有个increment的可执行文件，有个example
- gmapping
- 闭环检测方法
词袋方法，深度学习方法，netvlad，reid
- RGBDSMLAMv2
单词geodesic(graph-) neighborhood是什么意思？
- cartographer
环境搭建及测试：https://www.cnblogs.com/hitcm/p/5939507.html
- bundlefusion的主要融合部分移植到ubuntu 16.04下，对应的博客为https://blog.csdn.net/uranus_guan/article/details/83067725
- 计算slam轨迹的rmse的开源程序
tum tool，EuRoC数据集的测评工具evo，或者高翔说小脚本自己写一下10分钟搞定。
- 点云的精度如何计算？
计算每个点到groundtruth最近距离的均值
- SLAM目前主流的嵌入式芯片有哪些？
tk1，TX2，Odroid，rk3399，
在TX2上跑cartorgrapher：https://blog.csdn.net/zong596568821xp/article/details/77678693
- 搞slam用的相机有哪些？
realsense d415，realsense d435，xavier，
- 扫地机器人路径规划用什么算法？要保证机器人放到一个未知环境就可以自主跑完整个可行区域？
弓字形+A*+DWA，没有捷径，只能消化网上的代码和paper，然后结合机器人本身不断调试。