开源软件名称（OpenSource Name）：

kahowang/sensor-fusion-for-localization-and-mapping

开源软件地址(OpenSource Url)：

https://github.com/kahowang/sensor-fusion-for-localization-and-mapping

开源编程语言(OpenSource Language)：

C++ 58.3%

开源软件介绍(OpenSource Introduction)：

多传感器融合定位-章节索引

前言：

本博客为深蓝学院多传感器融合定位的课程作业笔记，为了方便个人检索，故将笔记记录到网上，同时也希望能给大家一些启发。在讲师任乾老师和其他学员的帮助下，总算完成十章的作业。

回顾整个历程，先后修了三次的课程，也十分感慨。刚录取研究生(2020年)的时候，导师给了我一个课题，做3D巡检小车的定位建图，在本科一直参与robotics的比赛，接触了不少的2D agv项目，因此也欣然接受。开始了资料的检索，开始了解到点云，先修了深蓝学院黎嘉信老师的三维点云处理，对点云有了初级的了解。

第一阶段 2020.10：后来接触到了任乾老师的第一期多传感器融合定位课程(2020.10),开始发现自己的知识十分薄弱，对非线性优化、惯导等概念一无所知，甚至不知道什么是外参、内参，多线激光雷达也从没接触过，c++也十分的差。第一期课程的难度对于我这样的菜鸟来说确实很难，我一边上课一遍不断补习知识，去翻阅高博的slam14讲、机器人状态估计。最后因为临近期末考试和个人基础知识太薄弱，上到第四章(惯性导航分析)就没跟上。之后我重新把高翔博士的14讲重看了一遍，也在实验室自己搭建造了一辆3D的slam移动小平台,通过自己的选型，设计框架，开始慢慢了解在自动驾驶领域传感器的种类和属性，也开始对传感器有了更深的理解。

第二阶段 2021.8 : 在外出实习期间，一直没有放弃对slam的学习，进行了第四期课程的学习，这一次的学习更加细致，进行了1-8章较为详细的作业，对比之前，这一次开始看懂代码，理解其中算法的含义，理解ceres g2o 等非线性优化的使用，很好地了解了kalman的融合，在此之前kalman一直停留在本科期间机器人比赛中自瞄跟踪算法，但也只是调库，这一次有了更深的理解，也不会畏惧公式，开始耐心的推导。因为临近开题原因，故这一次学习到第八章kalman容和定位。

第三阶段 2022.3：在第二阶段的课程学习之后，期间认真阅读了课程的框架代码，也开始自己搭建平台，制作数据集，将课程的框架部署到自己的搭建的平台上。如：3D-SLAM自搭平台主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 建图 B站视频。开始了第三次的多传感器容和定位的学习，这一次，补充了第九和第十章，预积分和图优化的部分，优化和预积分的方法是未来的一个趋势，可以说是课程的核心内容。通过不断的提问，反复看视频，交叉观看VIO的课程，开始有了自己的理解。

一路以来的学习，有赖于任乾老师和各位助教学员的解答，非常感谢各位。

列宁曾说过“人的认识不是直线，而是无限地近似于一串圆圈、近似于螺旋式的曲线”，事物的自身发展，经过肯定、否定和新的肯定。同样人的认知也需要经过“否定之否定”的过程，在不断地否定中自我成长。