第一節課講SLAM相關的計算機視覺基礎。
1 多視圖幾何基礎
1.1 三維空間剛體運動
1.2 射影幾何
1.3 單視圖幾何
1.3.1 攝像機模型
1.3.1.1 針孔攝像機模型
1.3.1.2 魚眼攝像機模型
1.3.2 攝像機矩陣P
1.4 雙視圖幾何
1.4.1 對極幾何
1.4.2 攝像機軌跡的計算
1.5 三維重建
1.5.1 實時與離線
1.5.2 SfM Pipeline
1.5.3 應用
1.6 常用第三方開發庫介紹
1.6.1 OpenCV
1.6.2 PCL
1.6.3 VTK
1.6.4 Ceres Solver
1.7 相關應用
1.7.1 全景視頻
1.7.2 虛擬現實
1.7.3 增強現實
1.7.4 機器人導航

第二節課講SLAM相關
2 SLAM基礎
2.1 介紹
2.2 不同的傳感器
2.2.1 激光傳感器、雷達傳感器
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 基于飛行時間原理的深度攝像頭
2.3 不同的輔助設備
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 實踐
2.6.1 ROS機器人系統入門
2.6.1.1 ROS是什么
2.6.1.2 ROS的特點
2.6.1.3 如何快速上手ROS
2.6.2 編譯SLAM系統
2.6.3 運行實例

第三節課講經典SLAM框架1
3 經典視覺SLAM框架1
3.1 非線性優化
3.1.1 狀態估計問題
3.1.1.1 最大后驗與最大似然
3.1.1.2 最小二乘的引出
3.1.2 非線性最小二乘
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
3.1.3 實踐Ceres
3.1.4 實踐g2o
3.1.5 小結
3.2 視覺里程計1
3.2.1 特征點法
3.2.1.1 特征點
3.2.1.2 ORB特征
3.2.1.3 特征匹配
3.2.2 實踐特征提取和匹配
3.2.3 2D-2D：對極幾何
3.2.3.1 對極約束
3.2.3.2 本質矩陣
3.2.3.3 單應矩陣
3.2.4 實踐：對極約束求解相機運動
3.2.5 三角測量
3.2.6 實踐：三角測量
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 非線性優化方法
3.2.10 小結

第四節課講經典SLAM框架2
4 經典視覺SLAM框架2
4.1 視覺里程計2
4.1.1 直接法的引出
4.1.2 光流（Optical Flow）
4.1.3 實踐：LK光流
4.1.3.1 使用TUM公開數據集
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
4.1.4.2 直接法的討論
4.1.5 實踐：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 使用直接法估計相機運動
4.1.5.4 半稠密直接法
4.1.5.5 直接法的討論
4.1.5.6 直接法優缺點總結
4.2 SLAM前端
4.2.1 VO框架
4.2.1.1 程序框架
4.2.1.2 基本數據結構
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
4.2.2.2 討論
4.2.3 優化PnP的結果
4.2.4 局部地圖
4.2.5 小結
第一節課講經典SLAM框架3
5 經典SLAM框架3
5.1 后端1
5.1.1 概述
5.1.1.1 狀態估計的概率解釋
5.1.1.2 線性系統和KF
5.1.1.3 非線性系統和EKF
5.1.1.4 EKF的討論
5.1.2 BA與圖優化
5.1.2.1 投影模型和BA代價函數
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
5.1.2.5 小結
5.1.3 實踐：g2o
5.1.3.1 BA數據集
5.1.3.2 g2o求解BA
5.1.3.3 求解
5.1.4 實踐：Ceres
5.1.4.1 Ceres求解BA
5.1.4.2 求解
5.1.5 小結
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的優化
5.2.2 實踐：位姿圖優化
5.2.2.1 g2o原生位姿圖
5.2.2.2 李代數上的位姿圖優化
5.2.2.3 小結

第二節課講經典SLAM框架4
6 經典SLAM框架4
6.1 回環檢測
6.1.1 回環檢測概述
6.1.1.1 回環檢測的意義
6.1.1.2 方法
6.1.1.3 準確率和召回率
6.1.2 詞袋模型
6.1.3 字典
6.1.3.1 字典的結構
6.1.3.2 實踐：創建字典
6.1.4 相似度計算
6.1.4.1 理論部分
6.1.4.2 相似度的計算
6.1.5 實驗分析與評述
6.1.5.1 增加字典規模
6.1.5.2 相似性評分的處理
6.1.5.3 關鍵幀的處理
6.1.5.4 檢測之后的驗證
6.1.5.5 與機器學習的關系
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 實踐：單目稠密重建
6.2.4 實驗分析與討論
6.2.4.1 像素梯度的問題
6.2.4.2 逆深度
6.2.4.3 圖像間的變換
6.2.4.4 并行化：效率的問題
6.2.4.5 其他的改進
6.2.5 RGB-D稠密見圖
6.2.5.1 實踐：點云地圖
6.2.5.2 八叉樹地圖
6.2.5.3 實踐：八叉樹地圖
6.2.6 小結
6.3 SLAM的未來
6.3.1 視覺+慣性導航SLAM
6.3.2 語義SLAM

第三節課講深度學習
7 深度學習
7.1 機器學習原理
7.1.1 機器學習術語
7.1.2 深入了解機器學習
7.2 深度學習介紹
7.2.1 神經網絡基礎
7.3 主流深度學習框架
7.3.1 Tensorflow
7.3.2 Theano
7.3.3 CNTK
7.4 實踐：Tensorflow的安裝
7.5 實踐：簡單的識別字符的應用

第四節課講深度學習和SLAM的結合
8 深度學習和SLAM的結合
8.1 深度學習與幀間估計
8.2 深度學習與閉環檢測
8.3 深度學習與語義SLAM
8.4 深度學習方法與傳統方法對比
8.5 未來展望
8.5.1 高維傳感器數據處理與融合
8.5.2 機器人知識庫
8.5.3 云機器人
8.5.4 SLAM促進深度學習