[人工智能]slam方向学习

# boss总结的能力需求
1. imu gps camera 多传感器融合？
2. vio, slam, 3d视觉

# 综述总结的知识点
1. 多线激光雷达slam -- 论文框架：LOAM: Lidar Odometry and Mapping in Real-time

疑问：基于slam和imu的，是不是叫多传感器的slam优化算法

Todo
学习《知乎 -- LOAM-SLAM原理深度解析》，阅读 论文 LOAM: Lidar Odometry and Mapping in Real-time
实现 github 基于 LOAM框架的项目
百度云课程
??? a. 激光slam从理论到事件
??? b. 多传感器融合
书 视觉slam 14 讲 ?
wiki -- LIO?
学习《知乎 -- 激光雷达SLAM算法大全》专栏?

JD

1 负责多传感器融合slam算法（视觉+激光雷达+惯导）的研发。
2 稠密地图的重建，生成2D/3D的导航栅格地图。
3 负责语义slam，语义地图的研发。
4 负责云端视觉重定位算法的研发。

熟悉视觉SLAM/VIO（visual-inertial odometry）即视觉惯性里程计的算法框架和基础理论。熟悉人工的（orb/sift）和基于深度学习的(superpoint/superglue)特征匹配和位姿估计，熟悉后端优化算法和稠密建图。
熟悉常用的视觉/激光/语义开源slam框架(ORB-SLAM3/Kimera/Cartographer等)。
熟悉ROS、OpenCV、Tensorflow/Pytorch；精通C++、Python

3．熟悉EFK，PF滤波，贝叶斯，G2O等优化库或算法
计算机基础扎实：熟悉C++、第三方库熟练运用Ceres,OpenCV等

2. 具有扎实的SLAM理论基础，熟悉VINS、LINS 等开源算法并有实际的项目经验
3. 精通组合惯导基本原理，有实际的项目经验者优先
4. 有自动驾驶融合定位算法经验，熟悉Camera/Lidar/IMU/GNSS融合算法或有实际车辆SLAM项目经验者优先

2. 熟悉卡尔曼滤波算法、ICP算法、NDT算法、粒子滤波算法等；

1. 熟悉视觉VIO或lidar slam相关的算法，如特征点提取、追踪、ORB-SLAM、DSO，lego loam cartographer等
2. 熟悉基于卡尔曼等滤波算法，和最小二乘等非线性优化算法
3. 熟悉大规模后端pose graph optimization等算法

1.我们需要您对于以下方向至少一个领域有过研究与积累：Slam算法/三维重建算法/图像拼接算法，并且了解图像特征、优化理论、多传感器融合(视觉/激光/IMU/相机)、多视角几何、BA等方面>的底层原理及自己动手实现的能力；精通至少一个SLAM框架(ORB/VINS/DSO/SVO/MSCKF等);

2. 具备gps/imu惯导算法，slam，视觉里程记，点云处理，图像处理等经验。
3. 具备一定的雷达，图像，imu标定经验 ?

1、研究生及以上学历，机器人、计算机、模式识别、地图领域相关专业优先 2、具有视觉重建/定位、点云处理、多传感器融合等经验优先
3、熟悉基于激光/视觉slam等基本方法；熟悉标定、融合、滤波、优化等算法，例如：卡尔曼滤波，贝叶斯理论，最小二乘法、图优化等；

3. 熟悉ceres等优化库，熟悉gmapping, cartographer等开源SLAM框架
4.熟悉ros下开发，有传感器融合经验(encoder, imu, lidar)

2）熟悉主动\被动式三维重建算法，精通SFM及立体视觉技术，对图像特征检测、稀疏\稠密匹配有深入研究；
3）精通多重传感器的融合技术，精通KF、EKF、PF；

2. 掌握SLAM相关算法，对学术界的开源SLAM算法有深入了解，包括Gmapping、Cartographer，ORBSLAM等；
3. 对前端优化、后端优化、闭环检测等有深入理解，熟悉EKF等滤波方法，掌握Ceres/G2O等优化工具；

3 熟悉常用的视觉/激光/语义开源slam框架(ORB-SLAM3/Kimera/Cartographer等)。
1 熟悉视觉SLAM/VIO的算法框架和基础理论。熟悉人工的（orb/sift）和基于深度学习的(superpoint/superglue)特征匹配和位姿估计，熟悉后端优化算法和稠密建图。