概览
统一给出 Robot Motion Model 以及 Perception Model
Motion model: 不像一般的paper里面写的很散，总结了很多运动模型，比如说 constant-velocity model，differential drive mode，IMU-driven model等等
Perception model: 全面的总结了 2D/3D lidar model，monocular/stereo/RGB-D camera model, GPS等等
有利于对各部分有过了解的人再对这两个部分建立起总体的认识
Dynamic Bayes Network 和 Factor Graph
讲的很清楚，以及SLAM问题是 为什么要/如何 formulate 成这两种形式的
Non-linear Optimization
一般形式、最小二乘形式的优化表达
牛顿法，高斯牛顿，LM法基本原理
为什么要转化为对于流形上优化的研究
利用SLAM问题构建的稀疏性，以及 QR/Cholesky 分解去解优化问题
QR/Cholesky 分解基本原理及算法流程
两者之间的联系
Schur complement
iSAM的基本原理，为什么要/如何 将优化问题做成 incremental 的形式
附录较为详细的介绍了 Quaternion 的基本知识，但是我觉得比较缺少 Lie Groups/Lie Algebra 方面的基本知识，还有与 Manifold 的联系。这部分可以参考高博的《视觉SLAM十四讲》的第4讲，或者王京的《计算机视觉中的矩阵李群》。
虽然不是很长的一本书，但是该详细的地方都写到了，该点到为止的地方也提醒了读者要通过进一步搜索去深入学习。我个人觉得这本书比较适合已经了解过一定 SLAM 知识的读者，方便将零散的知识串联起来系统化。如果是初学者没有任何经验的话，可能要看明白里面的各种数学表达会有些吃力。当然也可以先了解大概，不管数学推理，然后随着不断深入学习 SLAM 里面各个子块的细节，可以过段时间回来读读这本书，也许会给你很多新的感悟。否则，如果从大部头 Probabilistic Robotics 或者 有深度的 Factor Graphs for Robot Perception 开始的话，很容易迷失在过多的细节里面，而不容易对 SLAM 问题的概貌有个整体感性的认识。
参考：