现在开始找实习了，开始回顾研究生做的工作，把之前做的东西都总结一下，梳理梳理知识。
LSD SLAM的介绍：
LSD SLAM是slam界大牛 Jakob Engel的著作，也是直接法的代表性工作。和LSD SLAM想对应的feature-based的ORB SLAM则是又一代表性工作。
ORB SLAM的介绍：
ORB SLAM是一种基于ORB特征点的SLAM系统，在纹理比较丰富的场景下，ORB SLAM work的很好，定位精度很高。
它们之间一些明显的区别有：
（1）LSD SLAM不需要提取图像的特征描述子，求取两帧图像之间的变换（R,t）时通过优化photometric error来求得的， 而ORB SLAM则是提取ORB关键点和描述子（这个过程是比较耗时的），利用特征点之间的匹配关系找到两帧图像的匹配点，然后通过8点法求出F矩阵或者H矩阵（至于取哪个矩阵是有一个标准的，可以看论文），然后反解出R，t。
（2）由于原理的差别，LSD SLAM是利用高梯度点来计算匹配的，所以最后建图可以得到半稠密（semi-dense）的地图，而在一帧图像中，ORB SLAM提取的特征点比较少，最后建出来的图是稀疏（sparse）的。
（3）LSD SLAM是通过最小化photometric error来优化相机的pose和3d点的坐标，ORB SLAM是最小化重投影误差来优化pose和3d点的坐标。
（4）根据应用场景，LSD SLAM在纹理比较弱的地方work的要比ORB SLAM好，但是在光照变化明显的场景中，ORB SLAM的鲁棒性则要优于LSD SLAM。
它们之间的相同点有：
（1）基本上都分成三个大的部分，tracking，mapping和loop localization，都是用多线程跑的。
（2）都可以在CPU上面达到实时
（3）共同的缺点是无法完成稠密的建图，对于应用到三维重建中的工作，视觉的LSD和ORB还是有很大局限性的。
它们都存在的问题：
（1）尺度模糊性，这是单目SLAM的共同的问题，是因为计算深度的时候利用三角测量造成的，解决的办法可以是加入其它传感器做融合，比如 IMU等。
（2）纯旋转的问题：纯旋转的时候无法计算深度。
（3）尺度漂移：由于真实尺度未知，在SLAM优化的过程中，很可能发生地图越跑约小的状况。
论文引用：
【1】Engel, Jakob, Thomas Schöps, and Daniel Cremers. “LSD-SLAM: Large-scale direct monocular SLAM.” European Conference on Computer Vision. Springer, Cham, 2014.
【2】Mur-Artal, Raul, Jose Maria Martinez Montiel, and Juan D. Tardos. “ORB-SLAM: a versatile and accurate monocular SLAM system.” IEEE Transactions on Robotics 31.5 (2015): 1147-1163.