TurtleZhong2021-02-20 08:01:55

不知樓主本科方向，首先程式設計是基石，但並不是說我先花大力氣把C++弄的非常熟之後再去看slam相關的知識，那樣效率是不高的，我的建議還是邊學邊練，其實大家都是有學習的一個過程，對於增加自己的能力，可以找一個開源的SLAM方案 深度剖析下去，首先是自己拿真實資料跑一遍，然後剖析它的原始碼，一步一步來，可以註釋一遍練手，然後多總結這個領域的常用方法。慢慢等你熟悉之後就可以魔改或者自己寫一些東西了，總而言之就是先看別人的然後再改別人的然後再自己嘗試去寫。慢慢的你的程式碼能力提高了同時你的slam知識深度也提高了。還有就是頂會的論文一定要追。如果覺得這樣不行，那就上上補習班吧 網路上也有相關機構在做，這裡不做推薦。

夜深未眠2021-02-23 18:45:38

同似曾相識的感覺。

在這給出自己小小的建議吧，我也不是什麼大牛就是給出點自己的看法吧，希望能幫助到題主。

既然是要找工作，那就直接了當，面向工作學習。先看看往年大中小廠對應崗位校招的jd，視自己能力盡量給它對症下藥，知識點起碼多多少少你得懂些，起碼不要連最起碼的概念都沒有。

然後就是，俗話說的好，十鳥在林不如一鳥在手，所以鄙人建議先吃透一個框架，比如比較火的什麼Lego_loam。但是剛開始就剛這玩意可能看不懂，那就先啃一波loam，這裡推薦秦大佬寫的A_loam，gayhub上還有別的大佬寫的它的註釋版，先給它徹底搞懂。然後再擼一波lego_loam。

另外有硬體挺好的，有時間的話看看能不能適配適配起來，然後看看有沒有出現啥問題，嘗試能不能給點小的改進提升效果。

最後就是，刷題很重要！！！請立刻馬上去把力扣刷起來，不行的話你還能去找個小廠的開發乾乾。你會回來感謝我的，我都告訴你我的血淚教訓了。

Tom Hardy2021-07-04 09:05:21

確實，自己學難度較大，門檻也較高，很容易就踩坑了。給你推薦幾個開源框架吧：

(1) loam_velodyne

程式碼連結如下：

laboshinl/loam_velodyne： Laser Odometry and Mapping （Loam） is a realtime method for state estimation and mapping using a 3D lidar。 （

http：//

github。com

）：

https：//

github。com/laboshinl/lo

am_velodyne

該程式碼程式為按照LOAM論文復現的原生程式碼，特點是 基於ROS框架，可直接適用於velodyne-16線鐳射雷達的建圖。對於想學習ROS使用的同學，可以從中瞭解到如何利用ROS進行訊息的接收與釋出，如何透過ROS中的tf完成座標系之間的轉換。

演算法中涉及到的數學公式如非線性最佳化，並未採用已有的開源庫，而是手工一步步推導，需要一定數學基礎理解程式碼。，但透過程式碼的學習可以加深對公式的理解。

對於上述程式碼，網上也存在含有中文註釋的版本，程式碼連結如下：

cuitaixiang/LOAM_NOTED： loam code noted in Chinese（loam中文註解版） （

http：//

github。com

）：

https：//

github。com/cuitaixiang/

LOAM_NOTED

（2) A-LOAM

程式碼連結如下：

HKUST-Aerial-Robotics/A-LOAM： Advanced implementation of LOAM （

http：//

github。com

）：

https：//

github。com/HKUST-Aerial

-Robotics/A-LOAM

利用了Ceres庫提供的非線性最佳化函式，完成了L-M演算法中雅克比的推導，去除了IMU資料的引入。整體程式碼更加規範整潔，非常適合學習LOAM思想，也適合新手入門3D鐳射SLAM。

（3）oh_my_loam

程式碼連結如下：

feixyz10/oh_my_loam： ROS-free implementation of LOAM （

http：//

github。com

）：

https：//

github。com/feixyz10/oh_

my_loam

脫離了ROS環境實現了LOAM，資料透過函式引數進行傳入傳出，整體程式碼設計十分整潔，適合想要搭建屬於自己的鐳射SLAM程式的同學進行借鑑。

（4） loam_livox

程式碼連結如下：

hku-mars/loam_livox： A robust LiDAR Odometry and Mapping （LOAM） package for Livox-LiDAR （

http：//

github。com

）：

https：//

github。com/hku-mars/loa

m_livox

利用livox固態鐳射雷達，基於LOAM的思想，設計出的演算法。因此同樣地，基於livox資料進行了特徵點提取，特徵點的匹配和殘差計算與LOAM一致。同時利用Ceres庫優化了殘差。

（5） LEGO-LOAM

程式碼連結如下：

irapkaist/SC-LeGO-LOAM： LiDAR SLAM： Scan Context + LeGO-LOAM （

http：//

github。com

）：

https：//

github。com/irapkaist/SC

-LeGO-LOAM

在LOAM的基礎上，做了很大的最佳化。其演算法流程為：

整個演算法分為五個模組。首先對單幀點雲進行Segmentation：將其投影為一副1800*16的影象上，每一個收到的點代表一個畫素。提取出地面點聚類，並將非地面點分組為多個聚類，每個聚類的點雲具有一致的標籤。

與LOAM近似的方式提取出角點和平面點。在Lidar Odometry的環節中，選取具有一致標籤的點雲進行匹配。例如平面點只考慮標記為地面點的點，邊緣點只考慮其他標記大物體的點，以此提升匹配速度。採用兩步L-M最佳化得到前後幀點雲的位姿變換。透過配準平面點得到［tz， roll， pitch］， 透過配準角點來估計［tx， ty， yaw］。在Lidar Mapping 環節，將特徵點與周圍點雲圖配準，同時增添了圖最佳化和迴環檢測，進一步最佳化位姿變換，減少漂移。

相應的，網上也存在著其中文註釋版本

wykxwyc/LeGO-LOAM_NOTED： LeGO-LOAM程式碼註釋與學習 （

http：//

github。com

）：

https：//

github。com/wykxwyc/LeGO

-LOAM_NOTED

（6） SC-LEGO-LOAM

程式碼連結如下：

irapkaist/SC-LeGO-LOAM： LiDAR SLAM： Scan Context + LeGO-LOAM （

http：//

github。com

）：

https：//

github。com/irapkaist/SC

-LeGO-LOAM

SC-LEGO-LOAM 融合了ScanContext 與 LEGO-LOAM，其中ScanContext是一種點雲資料的全域性描述符，其提取方法如下：

由於迴環檢測（場景識別）= 場景描述 + 搜尋， Scan context 的作用是作為描述符來描述點雲資料，其搜尋演算法可以保證迴環能夠被快速檢測出來。因此將ScanContext應用到LEGO-LOAM的迴環檢測部分，提高迴環的速度和準確性。

一些學習建議：

對於初學者而言，為了掌握LOAM的框架演算法，可以在閱讀論文了解原理後，優先對A-LOAM程式碼進行閱讀和理解，快速掌握演算法實現的流程。在熟悉LOAM演算法框架後，工程實踐中，LEGO-LOAM在自動駕駛領域的建圖中應用較多，因此可以重點對LEGO-LOAM進行學習，並再此基礎上提出自己的改進並進行實驗。

這裡也推薦一門鐳射SLAM課程：徹底搞懂基於LOAM框架的3D鐳射SLAM： 原始碼剖析到演算法最佳化

一線演算法工程人員教授，儘快入門，少踩坑~

計算機視覺life2021-07-08 18:03:48

本訪談中的嘉賓也是2年制碩士，影片中談到了他學習SLAM和麵試SLAM演算法崗的經驗，希望對各位有所幫助！

本影片為直播訪談《2021SLAM演算法崗求職經驗分享：如何逆襲成為offer收割機》中的第十二部分。對本訪談感興趣的，可以移步主頁看更多部分！

主持人：計算機視覺life公眾號的創始人小六，嘉賓：小P同學——哈工大碩士，自學SLAM，斬獲多個大公司SLAM演算法崗offer，包括高仙、商湯、360、影創。

歡迎加入技術交流群一起和同行交流，目前有SLAM、三維視覺、視覺鐳射感測器、自動駕駛、AR、計算攝影、物體檢測、影象分割、識別、強化學習、醫學影像、GAN、演算法競賽等微信群，入群請新增此微訊號：chichui502。備註：“名字+學校/公司+研究方向”，例如：“張三 + 上海交大 + 視覺SLAM”。

知乎使用者2021-09-25 21:58:13

地圖定位演算法是自動駕駛模組的核心，而鐳射SLAM則是地圖定位演算法的關鍵技術，其重要性不言而喻，在許多AI產品中應用非常多（包括但不限於自動駕駛、移動機器人、掃地機等）。相比於傳統的視覺感測器，鐳射感測器具備精度高，不易受環境干擾的特質，其衍生的地圖定位演算法更容易實踐落地。且隨著鐳射感測器的降價，新型鐳射雷達的研發，未來具備自動駕駛功能的車輛幾乎都會選擇鐳射雷達方案。

由於鐳射SLAM的入門門檻較高，對學習者的數學、程式設計能力要求比較嚴格，而且幾乎沒有系統的學習資料，自學難度較大，支離片解的開原始碼學習無法有效地對整個框架產生較深的理解。從資料準備，到框架搭建，很多同學在一系列踩坑後，不得不放棄繼續學習，這也導致了後面高薪機會的丟失。為此，3D視覺工坊推出了面向工業級實戰類的鐳射SLAM學習課程《深入剖析鐳射SLAM的關鍵演算法與實現》：

https：//

mp。weixin。qq。com/s/lfA-

xwPNvR3-laemEGBAqQ

，主講老師為自動駕駛獨角獸公司高精地圖演算法工程師，有豐富的鐳射SLAM算法理論和工程實踐經驗。一線演算法工程人員帶你從算法理論推導到完整的專案實踐，保姆級教學，對標企業級崗位要求，更有資料和程式碼的開源，讓學員能夠真正搭起來屬於自己的一套專案。

本課程結合理論和實踐兩大部分：理論部分將全面介紹鐳射SLAM的整體框架與其前端實現和後端最佳化的演算法原理及公式推導；實踐部分將以兩個經典的3D鐳射SLAM方法為例，逐行刨析原始碼讓學員真正理解相關演算法的實現。最後將從工程落地的角度，帶學員逐漸掌握鐳射SLAM方法在自動駕駛領域中的應用。注意：實踐部分將提供所有實現程式碼和資料！

課程連結：

https：//

mp。weixin。qq。com/s/lfA-

xwPNvR3-laemEGBAqQ