1.建图
我们所谓的地图，即所有路标点的集合。一旦我们确定了路标点的位置，那就可以说我们完成了建图。
地图的作用：（1）定位 ；（2）导航； （3）避障； （4）重建； （5）交互
2. 稠密重建
单个图像中的像素，只能提供物体与相机成像平面的角 度以及物体采集到的亮度，而无法提供物体的距离（Range）。而在稠密重建，我们需要知道每一个像素点（或大部分像素点）的距离，大致上有以下几种解决方案：
1. 使用单目相机，利用移动相机之后进行三角化，测量像素的距离。
2. 使用双目相机，利用左右目的视差计算像素的距离（多目原理相同）。
3. 使用 RGB-D 相机直接获得像素距离。
使用 RGB-D 进行稠密重建往往是更常见的选择。而单目双目的好处，是在目前 RGB-D 还无法很好应用的室外、大场景场合中，仍能通过立体视觉估计深度信息。
3. 单目稠密重建
稠密深度估计问题中，匹配是很重要的一环：如何确定第一张图的某像素，出现在其他图里的位置，需要用到极线搜索和块匹配技术。
3.1.极线搜索与块匹配
极线搜索的示意图
在特征点法中，通过特征匹配得到p2的位置，然而实际没有描述子，只能在极线上搜索和p1想的比较相似的点。（可能沿着极线一直走比较每个像素与p1的相似程度。）这就是极线搜索。
单个像素的亮度没有区分性，由此我们想到可以比较像素块，我们在 p1 周围取一个大小为 w×w 的小块，然后在极线上也取很多同样大小的小块进行比较，就可以一定程度上提高区分性。这就是所谓的块匹配。
计算小块与小块间的差异，有不同的计算方法：
1. SAD(Sum of Absolute Difference)。顾名思义，即取两个小块的差的绝对值之和：
2. SSD。SSD 并不是说大家喜欢的固态硬盘，而是 Sum of Squared Distance(SSD)（平 方和）的意思：
3. NCC(Normalized Cross Correlation)（归一化互相关）。这种方式比前两者要复杂一些，它计算的是两个小块的相关性：
请注意，由于这里用的是相关性，所以相关性接近 0 表示两个图像不相似，而接近 1 才表示相似。前面两种距离则是反过来的，接近 0 表示相似，而大的数值表示不相似。
在极线上，计算了 A 与每一个 Bi 的相似性yo度量。为了方便叙述，假设我们用了 NCC，那么，我们将得到一个沿着极线的 NCC 分布。这个分布的形状严重取决于 图像本身的样子，例如图 13-3 那样。在搜索距离较长的情况下，我们通常会得到一个非凸 函数：这个分布存在着许多峰值，然而真实的对应点必定只有一个。在这种情况下，我们 会倾向于使用概率分布来描述深度值，而非用某个单一个的数值来描述深度。于是，我们 的问题就转到了，在不断对不同图像进行极线搜索时，我们估计的深度分布将发生怎样的 变化——这就是所谓的深度滤波器。
3.2. 高斯分布的深度滤波器
稠密深度的完整过程
1. 假设所有像素的深度满足某个初始的高斯分布；
2. 当新数据产生时，通过极线搜索和块匹配确定投影点位置；
3. 根据几何关系计算三角化后的深度以及不确定性；
4. 将当前观测融合进上一次的估计中。若收敛则停止计算，否则返回 2。
最后深度图趋于稳定
像素梯度
逆深度
4. RGB-D稠密建图
点云地图（Point_Cloud Map）
1. 在生成每帧点云时，去掉深度值太大或无效的点。
2. 利用统计滤波器方法去除孤立点。该滤波器统计每个点与它最近 N 个点的距离值的 分布，去除距离均值过大的点。这样，我们保留了那些“粘在一起”的点，去掉了孤 立的噪声点。
3. 最后，利用体素滤波器（Voxel Filter）进行降采样。由于多个视角存在视野重叠，在 重叠区域会存在大量的位置十分相近的点。这会无益地占用许多内存空间。体素滤波 保证在某个一定大小的立方体（或称体素）内仅有一个点，相当于对三维空间进行了 降采样，从而节省了很多存储空间。
三角网格（Mesh），面片（Surfel）
通过体素（Voxel）建立占据网格地图（Occupancy Map）
SFM 泊松重建
八叉树地图（Octo-Map）
将三维空间建模为很多小方块（体素），每个面切成两片分割为8块。一直重复达到建模的最高精度。
对于本文的所有实践，可参考《视觉SLAM十四讲》建图部分，这里就不加以叙述了。