天天干天天操天天爱-天天干天天操天天操-天天干天天操天天插-天天干天天操天天干-天天干天天操天天摸

       1、培訓(xùn)過(guò)程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
       2、課程完成后,授課老師留給學(xué)員手機(jī)和Email,保障培訓(xùn)效果,免費(fèi)提供半年的技術(shù)支持。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。☆合格學(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升職業(yè)資質(zhì)。專注高端技術(shù)培訓(xùn)15年，曙海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，曙海的證書受到廣泛認(rèn)可。

• 　
• SLAM相關(guān)的計(jì)算機(jī)視覺基礎(chǔ)。
  1 多視圖幾何基礎(chǔ)
  1.1 三維空間剛體運(yùn)動(dòng)
  1.2 射影幾何
  1.3 單視圖幾何
  1.3.1 攝像機(jī)模型
  1.3.1.1 針孔攝像機(jī)模型
  1.3.1.2 魚眼攝像機(jī)模型
  1.3.2 攝像機(jī)矩陣P
  1.4 雙視圖幾何
  1.4.1 對(duì)極幾何
  1.4.2 攝像機(jī)軌跡的計(jì)算
  1.5 三維重建
  1.5.1 實(shí)時(shí)與離線
  1.5.2 SfM Pipeline
  1.5.3 應(yīng)用
  1.6 常用第三方開發(fā)庫(kù)介紹
  1.6.1 OpenCV
  1.6.2 PCL
  1.6.3 VTK
  1.6.4 Ceres Solver
  1.7 相關(guān)應(yīng)用
  1.7.1 全景視頻
  1.7.2 虛擬現(xiàn)實(shí)
  1.7.3 增強(qiáng)現(xiàn)實(shí)
  1.7.4 機(jī)器人導(dǎo)航
  
  SLAM相關(guān)
  2 SLAM基礎(chǔ)
  2.1 介紹
  2.2 不同的傳感器
  2.2.1 激光傳感器、雷達(dá)傳感器
  2.2.2 彩色攝像頭
  2.2.2.1 單目攝像頭
  2.2.2.2 雙目攝像頭
  2.2.2.3 魚眼鏡頭
  2.2.3 深度攝像頭
  2.2.3.1 雙目RGB攝像頭
  2.2.3.2 單/雙目RGB-D攝像頭
  2.2.3.3 基于飛行時(shí)間原理的深度攝像頭
  2.3 不同的輔助設(shè)備
  2.3.1 IMU
  2.3.2 GPS
  2.4 視覺SLAM
  2.4.1 基于濾波器的V-SLAM
  2.4.2 基于關(guān)鍵幀的V-SLAM
  2.4.3 基于直接跟蹤的V-SLAM
  2.4.4 視覺SLAM算法之間的比較
  2.5 激光SLAM
  2.5.1 GMapping
  2.5.2 Hector SLAM
  2.5.3 Cartographer
  2.5.4 視覺SLAM和激光SLAM之間的差異
  2.6 實(shí)踐
  2.6.1 ROS機(jī)器人系統(tǒng)入門
  2.6.1.1 ROS是什么
  2.6.1.2 ROS的特點(diǎn)
  2.6.1.3 如何快速上手ROS
  2.6.2 編譯SLAM系統(tǒng)
  2.6.3 運(yùn)行實(shí)例
  
  經(jīng)典SLAM框架1
  3 經(jīng)典視覺SLAM框架1
  3.1 非線性優(yōu)化
  3.1.1 狀態(tài)估計(jì)問(wèn)題
  3.1.1.1 大后驗(yàn)與大似然
  3.1.1.2 小二乘的引出
  3.1.2 非線性小二乘
  3.1.2.1 一階和二階梯度法
  3.1.2.2 高斯-牛頓法
  3.1.2.3 列文伯格——馬夸爾特方法
  3.1.2.4 小結(jié)
  3.1.3 實(shí)踐Ceres
  3.1.4 實(shí)踐g2o
  3.1.5 小結(jié)
  3.2 視覺里程計(jì)1
  3.2.1 特征點(diǎn)法
  3.2.1.1 特征點(diǎn)
  3.2.1.2 ORB特征
  3.2.1.3 特征匹配
  3.2.2 實(shí)踐特征提取和匹配
  3.2.3 2D-2D：對(duì)極幾何
  3.2.3.1 對(duì)極約束
  3.2.3.2 本質(zhì)矩陣
  3.2.3.3 單應(yīng)矩陣
  3.2.4 實(shí)踐：對(duì)極約束求解相機(jī)運(yùn)動(dòng)
  3.2.5 三角測(cè)量
  3.2.6 實(shí)踐：三角測(cè)量
  3.2.7 3D-2D：PnP
  3.2.7.1 直接線性變換
  3.2.7.2 P3P
  3.2.7.3 Bundle Adjustment
  3.2.8 實(shí)踐：求解PnP
  3.2.9 3D-3D：ICP
  3.2.9.1 SVD方法
  3.2.9.2 非線性優(yōu)化方法
  3.2.10 小結(jié)
  
  經(jīng)典SLAM框架2
  4 經(jīng)典視覺SLAM框架2
  4.1 視覺里程計(jì)2
  4.1.1 直接法的引出
  4.1.2 光流（Optical Flow）
  4.1.3 實(shí)踐：LK光流
  4.1.3.1 使用TUM公開數(shù)據(jù)集
  4.1.3.2 使用LK光流
  4.1.4 直接法（Direct Method）
  4.1.4.1 直接法的推導(dǎo)
  4.1.4.2 直接法的討論
  4.1.5 實(shí)踐：RGB-D的直接法
  4.1.5.1 稀疏直接法
  4.1.5.2 定義直接法的邊
  4.1.5.3 使用直接法估計(jì)相機(jī)運(yùn)動(dòng)
  4.1.5.4 半稠密直接法
  4.1.5.5 直接法的討論
  4.1.5.6 直接法優(yōu)缺點(diǎn)總結(jié)
  4.2 SLAM前端
  4.2.1 VO框架
  4.2.1.1 程序框架
  4.2.1.2 基本數(shù)據(jù)結(jié)構(gòu)
  4.2.1.3 Camera
  4.2.1.4 Frame
  4.2.1.5 MapPoint
  4.2.1.6 Map
  4.2.1.7 Config
  4.2.2 基本的VO：特征提取和匹配
  4.2.2.1 兩兩幀的視覺里程計(jì)
  4.2.2.2 討論
  4.2.3 優(yōu)化PnP的結(jié)果
  4.2.4 局部地圖
  4.2.5 小結(jié)
  第一節(jié)課講經(jīng)典SLAM框架3
  5 經(jīng)典SLAM框架3
  5.1 后端1
  5.1.1 概述
  5.1.1.1 狀態(tài)估計(jì)的概率解釋
  5.1.1.2 線性系統(tǒng)和KF
  5.1.1.3 非線性系統(tǒng)和EKF
  5.1.1.4 EKF的討論
  5.1.2 BA與圖優(yōu)化
  5.1.2.1 投影模型和BA代價(jià)函數(shù)
  5.1.2.2 BA的求解
  5.1.2.3 稀疏性和邊緣化
  5.1.2.4 魯棒核函數(shù)
  5.1.2.5 小結(jié)
  5.1.3 實(shí)踐：g2o
  5.1.3.1 BA數(shù)據(jù)集
  5.1.3.2 g2o求解BA
  5.1.3.3 求解
  5.1.4 實(shí)踐：Ceres
  5.1.4.1 Ceres求解BA
  5.1.4.2 求解
  5.1.5 小結(jié)
  5.2 后端2
  5.2.1 位姿圖（Pose Graph）
  5.2.1.1 Pose Graph的意義
  5.2.1.2 Pose Graph的優(yōu)化
  5.2.2 實(shí)踐：位姿圖優(yōu)化
  5.2.2.1 g2o原生位姿圖
  5.2.2.2 李代數(shù)上的位姿圖優(yōu)化
  5.2.2.3 小結(jié)
  
  經(jīng)典SLAM框架4
  6 經(jīng)典SLAM框架4
  6.1 回環(huán)檢測(cè)
  6.1.1 回環(huán)檢測(cè)概述
  6.1.1.1 回環(huán)檢測(cè)的意義
  6.1.1.2 方法
  6.1.1.3 準(zhǔn)確率和召回率
  6.1.2 詞袋模型
  6.1.3 字典
  6.1.3.1 字典的結(jié)構(gòu)
  6.1.3.2 實(shí)踐：創(chuàng)建字典
  6.1.4 相似度計(jì)算
  6.1.4.1 理論部分
  6.1.4.2 相似度的計(jì)算
  6.1.5 實(shí)驗(yàn)分析與評(píng)述
  6.1.5.1 增加字典規(guī)模
  6.1.5.2 相似性評(píng)分的處理
  6.1.5.3 關(guān)鍵幀的處理
  6.1.5.4 檢測(cè)之后的驗(yàn)證
  6.1.5.5 與機(jī)器學(xué)習(xí)的關(guān)系
  6.2 建圖
  6.2.1 概述
  6.2.2 單目稠密重建
  6.2.2.1 立體視覺
  6.2.2.2 極限搜索與快匹配
  6.2.2.3 高斯分布的深度濾波器
  6.2.3 實(shí)踐：?jiǎn)文砍砻苤亟?br> 6.2.4 實(shí)驗(yàn)分析與討論
  6.2.4.1 像素梯度的問(wèn)題
  6.2.4.2 逆深度
  6.2.4.3 圖像間的變換
  6.2.4.4 并行化：效率的問(wèn)題
  6.2.4.5 其他的改進(jìn)
  6.2.5 RGB-D稠密見圖
  6.2.5.1 實(shí)踐：點(diǎn)云地圖
  6.2.5.2 八叉樹地圖
  6.2.5.3 實(shí)踐：八叉樹地圖
  6.2.6 小結(jié)
  6.3 SLAM的未來(lái)
  6.3.1 視覺+慣性導(dǎo)航SLAM
  6.3.2 語(yǔ)義SLAM
  
  7 深度學(xué)習(xí)
  7.1 機(jī)器學(xué)習(xí)原理
  7.1.1 機(jī)器學(xué)習(xí)術(shù)語(yǔ)
  7.1.2 深入了解機(jī)器學(xué)習(xí)
  7.2 深度學(xué)習(xí)介紹
  7.2.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
  7.3 主流深度學(xué)習(xí)框架
  7.3.1 Tensorflow
  7.3.2 Theano
  7.3.3 CNTK
  7.4 實(shí)踐：Tensorflow的安裝
  7.5 實(shí)踐：簡(jiǎn)單的識(shí)別字符的應(yīng)用
  
  深度學(xué)習(xí)和SLAM的結(jié)合
  8 深度學(xué)習(xí)和SLAM的結(jié)合
  8.1 深度學(xué)習(xí)與幀間估計(jì)
  8.2 深度學(xué)習(xí)與閉環(huán)檢測(cè)
  8.3 深度學(xué)習(xí)與語(yǔ)義SLAM
  8.4 深度學(xué)習(xí)方法與傳統(tǒng)方法對(duì)比
  8.5 未來(lái)展望
  8.5.1 高維傳感器數(shù)據(jù)處理與融合
  8.5.2 機(jī)器人知識(shí)庫(kù)
  8.5.3 云機(jī)器人
  8.5.4 SLAM促進(jìn)深度學(xué)習(xí)