关于视觉在机器人方面的关键问题
一个具备视觉的机器人，在生活中扮演什么角色？
这个图表示了具备视觉的机器人，告诉我们机器人内部实现原理，以及最终能实现的功能，应用。
一旦该平台完善，“机器人+”就像“互联网+”一样百花齐放。其中，广告是最好的盈利点。数据服务是长远的发展路线。卖产品是眼前的利益。
还是回到现实中，视觉机器人遇到的关键问题汇总：
前端：
感知，不论是对自己和对周围场景，所以，需要传感器，需要融合算法。包括，在不同环境下路、人、车辆等等。
理解，也叫想法。这里主要是初级理解，包括识别物体，路径规划，等等。也叫语义地图。
在这个基础上，可以扩展多种应用，因为你理解了周围环境，所以，可以安排一些任务了。
注意和广告结合。
优化，也可以说是学习，基于上面两部分，通过优化对自我的认知提高。传统的非线性优化，闭环检测、概率论等。
通过上面三个过程，一个机器人基本具备了视觉的功能。
感知，比喻人的眼镜；理解，比喻我们想到的苹果、人、车辆；优化，才是我们大脑的神经元。
优化库：
ceres:
http://ceres-solver.org/nnls_tutorial.html#bundle-adjustment
g2o. 支持各种不同的solver, csparse, eigen什么的。号称可扩展性好。欧洲人喜欢用，有很多slam常用的edge/vertex type。
gtsam. gtsm 4.0 加了个新的expression，号称比ceres的AD快，而且可以compose。目前看来处理slam问题gtsam是最好的选择。
ceres. google用在Production code里，质量没得说，现在加入了一点点对slam的支持，tutorial里面有2d和3d slam的例子。
参考文档：
《Tutorial on Visual Odometry》Davide Scaramuzza