关键字：slam

slam行业和细分领域的分析和展望

【优秀博文引用】
https://36kr.com/p/5049190.html
slam的具体应用和产品落地，还在发展和迭代进化中！有兴趣和有志于在这个方向深入研究的小伙伴，可以关注！
【知识点和问题】
如何提取关键帧？
稠密地图适合做3d重建，如果只是定位，稀疏地图即可
DTAM相对于PTAM是进步，但是计算量太大
Semi-Dense LSD SLAM相对于DTAM，则选择性的处理图像，计算量下降不少

数据融合和滤波算法：

• Sensor Fusion 传感器融合：SFM+IMU +GPS
  smf:structure from motion
  SfM算法的目标就是通过一堆照片重建3D模型
  【优秀博文引用】
  http://blog.csdn.net/mahabharata_/article/details/70799695
  http://blog.csdn.net/linczone/article/details/46237197

• 基于相机，IMU，里程计数据的融合与调优

• 熟悉导航经典滤波算法，如卡尔曼、EKF、粒子滤波等
  卡尔曼滤波器：利用观测值来优化估计值，根据不同传感器的方差可信度来动态分配权重
  EFK：
  粒子滤波器：随机采样+重要性重采样
  【优秀博客引用】
  https://www.zhihu.com/question/25371476

vslam

Multiview Geometry（多视图几何）

vio：

视觉惯性里程计（VIO）相关算法
IMU数据处理与融合

mapping

视觉三维重建相关的算法开发

点云

精通基于三维点云的SLAM算法，熟悉SLAM6D，LOAM等点云SLAM框架
有大规模点云数据的编辑，存储，检索，可视化经验；
点云数据处理等
精通基于三维点云的SLAM算法
熟悉SLAM6D，LOAM等点云SLAM框架

前端算法：

熟练掌握SLAM前端VO的相关知识与算法，对PnP姿态求解问题有深入研究

后端算法：

熟悉SLAM后端的优化算法如BA，图优化理论及常用第三方库的使用如G2O

主流slam开源框架和知识框架：

熟悉主流的SLAM开源系统，如ORB-SLAM, DSO, LSD-SLAM等
熟悉SVO，ORB-SLAM和holokit系统（理论和代码），并对特征点识别跟踪，姿态防抖动，重定位，闭环检测，词袋模型

基本通用算法：

计算机视觉基本算法
熟悉计算机视觉、深度学习等人工智能算法

数学基础：

具有扎实的数学基础，熟悉矩阵、概率论、及相关优化理论

加分项：

有ICRA、IROS及CVPR、NIPS等论文发表的优先

其他

立体匹配
熟悉双目或多目stereo算法

structure from motion/visual SLAM，