changh95/slam_lecture_codes

解決する問題

SLAM（同時位置推定とマッピング）の学習は、C++、コンピュータビジョン、点群処理、最適化、センサーフュージョンを組み合わせるため難しいものです。このリポジトリは、学習者に具体的で実行可能なコード演習を提供し、2つのFastCampus講義シリーズに沿って進めることで、ビデオを見るだけでなく概念を練習できるようにします。

仕組み

リポジトリは2つの主要なコースフォルダに整理されています。1つ目は包括的なゼロからヒーローへのSLAMコースで、C++とPythonの基礎から3D幾何学、SLAMフロントエンド（特徴検出、トラッキング、点群、ICP）とバックエンド（グラフ最適化、バンドル調整）、そして高度なAI統合SLAMとハードウェア最適化まで進みます。2つ目のコースは自動運転に焦点を当て、同様のトピックをカバーしますが、コンピュータビジョン、LiDAR処理、センサーフュージョン、そしてORB-SLAMやCartographerなどの最終プロジェクトに重点を置いています。各章には理論セクションと、OpenCV、Eigen、Ceres、PCL、ROSなどのライブラリを使用した実践的なコード例があります。リポジトリはまた、これらのライブラリの多くがプリインストールされたベースDockerイメージを提供します。

対象読者

実践的なコーディングを通じてSLAMを学びたい学生、開発者、研究者。FastCampusの講義に従っている人に特に役立ちますが、基本的なプログラミング知識があれば誰でも演習を使用してSLAMスキルを構築できます。コンテンツは初心者向けのC++/Pythonから、GPUアクセラレーションや最新のSLAMシステムなどの高度なトピックまで幅広くカバーしています。

ハイライト

• 2つの完全なコーストラック：完全なゼロからヒーローへのSLAMシリーズと専用の自動運転シリーズ
• 主要なSLAMトピックをすべてカバーする60以上の実践的なコード演習
• 実世界のライブラリを使用：OpenCV、Eigen、Sophus、Ceres、g2o、GTSAM、PCLなど
• 主要なライブラリがすべてセットアップされたベースDockerイメージを含む
• 古典的および現代的なSLAMをカバーし、AI統合手法（NeRF、Gaussian Splatting）やハードウェアアクセラレーション（CUDA、SIMD）も含む
• 自動運転、ドローン、ロボット、AR/VRなどのシナリオでの最終プロジェクト