深蓝自动驾驶系列SLAM十四讲

测试运维

课程简介

核心痛点与工程价值自动驾驶与移动机器人的核心难题在于“定位”与“建图”的实时耦合。视觉 SLAM 通过相机图像序列，在不依赖外部 GPS 的情况下，同步估计自身运动轨迹并构建三维环境地图。这门课并非单纯的视频听录，而是将《视觉 SLAM 十四讲》的数学推导直接转化为工程落地的代码结构。它解决的是从理论公式到可运行模块的“最后一公里”：如何把李群李代数、相…

已有 23 人浏览发布 2025-12-20 更新 2026-09-24

核心痛点与工程价值

自动驾驶与移动机器人的核心难题在于“定位”与“建图”的实时耦合。视觉 SLAM 通过相机图像序列，在不依赖外部 GPS 的情况下，同步估计自身运动轨迹并构建三维环境地图。这门课并非单纯的视频听录，而是将《视觉 SLAM 十四讲》的数学推导直接转化为工程落地的代码结构。它解决的是从理论公式到可运行模块的“最后一公里”：如何把李群李代数、相机投影模型、PnP 求解、光束法平差（BA）以及因子图优化这些抽象概念，变成开发者能看懂、能调试、能复用的 C++ 类库与算法流程。对于想深入底层算法而非只调用 SDK 的工程师，这是连接数学理论与实际工程的最佳桥梁。

前置门槛与学习路径规划

由于课程深度涉及大量数学推导与工程实现，建议读者具备扎实的线性代数基础，能熟练推导雅可比矩阵，理解李群与李代数的运算规则。代码层面，必须熟悉 C++11 及以上标准，掌握 CMake 构建系统，并理解 OpenCV 图像操作与 g2o/Ceres 优化库的基本接口。学习顺序上，请严格遵循“数学原理先行，代码对照跟进”的策略：先通读对应章节的推导，理解状态定义与误差项构建，再打开代码文件夹，对照实现细节。建议优先攻克第 3 讲相机模型与第 4 讲李群，这是后续优化的基石；随后按第 5 讲 PnP、第 6 讲 BA、第 7 讲后端优化的顺序推进，最后研究第 8 讲闭环检测与因子图构建，确保知识体系连贯，避免碎片化学习。

工程产出与资料实战指南

学完本课程，你不仅能复现开源代码，更能独立搭建一套轻量级视觉 SLAM 系统，包含前端特征提取、后端位姿优化及前端后端联合优化模块。你将具备从零开始设计因子图、实现位姿图局部优化、处理回环检测与重定位的能力，能够将这些模块组合成完整的定位建图管线，应用于机器人导航或自动驾驶场景。资料包中的课件负责梳理逻辑脉络，而配套代码则需作为“对照表”而非“抄作业”对象。练习时，请在本地环境搭建最小化 Demo，尝试修改代码中的关键参数，观察轨迹漂移或地图畸变现象，分析是数学推导理解偏差还是工程实现 Bug。通过不断调试与重构，将静态的课件内容内化为动态的工程能力，这才是本课程的核心价值所在。