SLAM初学

昨天组长布置了任务，要求看香港大学的一篇论文，一打开，好家伙，纯英文，直接翻译着看

几个读不懂的概念：

体素：体素是三维空间中的体积像素的简称。它类似于二维图像中的像素，但在三维空间中表示立体体素单元。体素可以被看作是一个立方体，具有一定的体积、位置和属性。

三角形网络：计算机图形学中常用的表示三维对象表面的方法之一。它由许多相互连接的三角形组成，每个三角形由三个顶点和三条边组成,三角形网格是一种离散化的表示方法，通过将三维表面划分为许多小的三角形来近似实际的曲面或物体。这些三角形可以是规则的（等边三角形）或不规则的，具体取决于表面的形状和拓扑结构。

泊松曲面重建的方法 :是一种常用的曲面重建方法，用于从离散的点云数据中重建连续的曲面模型。它基于泊松方程的性质，通过求解离散点云的泊松方程来估计曲面的法线和位置信息。

 （泊松方程，看了，不太懂，做这个，直接套公式能用就行）

泊松曲面重建方法具有一定的优势，它能够有效地重建光滑的曲面，并且对于噪声和不完整的点云数据也有一定的鲁棒性。然而，它也有一些限制，例如对于大规模点云数据的处理较慢，并且对于具有细节或复杂几何形状的曲面可能无法完全恢复。

所以可以在大雾天气或者沙尘暴等天气中应用泊松方程

三角测量：三角测量是一种将点集连接成三角形的方法，使得任意两个点之间的连线不会穿过其他的三角形。它基于一组点的相对位置关系来构建三角形网格。三角测量的结果是一个无重叠的三角形网格，其中每个三角形的外接圆不包含其他点 

图切：图切是一种将空间分割为多个区域的方法，每个区域包含一个点，并且该点到区域内所有点的距离最近。图切图是由一组点的图切区域和图切边构成的。图切图可以用于计算几何、空间分析和图形处理等领域。对于给定的点集，图切图的边界由相邻点之间的垂直平分线组成。

TSDF方法: 基本思想是通过融合多个深度图像或点云观测来估计场景的几何形状。对于每个观测到的深度图像或点云，TSDF方法将其中的点投影到体素格子中，并根据点的深度信息更新对应体素格子的距离值。通过多次观测和融合，可以逐步构建出场景的三维几何表示。

TSDF方法的关键是对距离值进行融合和更新。常用的融合方式是加权平均，其中权重可以根据观测的可靠性进行设置。对于每个新观测到的点，需要将其投影到体素格子中，并更新相应格子的距离值。距离值的更新可以根据当前距离值和新观测点的深度值进行插值计算

我体会到TSDF方法就是将观察到得图像上的每个点都标记上距离，经过多次观察并融合就可以知道具体得环境信息。（不准，我自己得感受）

三角形片元：是三维图形学中的基本几何单元，由三个顶点组成的三角形形状。在渲染和图形处理中，三角形片元被广泛应用于三维模型的表示、光栅化、着色和绘制等方面。

     三角形片元是它经过顶点着色器的处理后，被传递到几何着色器进行裁剪、投影和变换等操作。然后，经过光栅化阶段，三角形片元被转化为像素，并进行插值计算，最终被传递给片元着色器进行颜色计算和纹理采样等操作。

通过组合和连接多个三角形片元，可以构建出复杂的三维模型，并进行高质量的渲染和可视化。

双步管道：是一种图形渲染管线的组织方式，用于实现高级的图形效果和渲染技术。它由两个主要的渲染阶段组成，分别是几何处理阶段和像素处理阶段。

 

     这种分离的设计使得渲染算法更加模块化和可扩展，同时也方便实现一些高级的渲染效果，如法线映射、阴影计算、抗锯齿等。

增量重建三角形网格：用于从离散的点云数据中逐步生成连续的三角形网格模型。这种方法通常用于三维重建、计算机视觉和计算机图形学等领域。

    增量重建三角形网格的基本思想是通过逐步添加点和三角形来构建网格模型，而不是一次性处理所有的点云数据。这种方法的优势在于它可以有效地处理大规模的点云数据，并且能够动态地适应新加入的点。（可以实现实时性）

KD树：是一种用于高效处理k维空间数据的数据结构。它是一种二叉树，其中每个节点代表一个k维数据点，并根据数据点在每个维度上的值进行划分。KD树的构建过程和搜索算法使得它适用于范围查询、最近邻搜索和近似最近邻搜索等问题。

在KD树中，每个节点都有一个关联的k维数据点，并且根据某个维度上的值进行划分。例如，对于二维空间中的点，可以先选择x轴或y轴作为划分维度，然后根据该维度上的值将数据点划分为左子树和右子树。然后，对于每个子树，选择另一个维度作为划分维度，再次进行划分。这样递归地构建KD树，直到每个子树中只包含一个数据点或没有数据点为止。