changh95/slam_lecture_codes

解决的问题

学习SLAM（同步定位与地图构建）很困难，因为它结合了C++、计算机视觉、点云处理、优化和传感器融合。本仓库为学习者提供了一套具体、可运行的代码练习，跟随两个FastCampus讲座系列，让他们能够实践概念，而不仅仅是观看视频。

工作原理

该仓库组织为两个主要课程文件夹。第一个是全面的从零到精通SLAM课程，从C++和Python基础开始，经过3D几何，进入SLAM前端（特征检测、跟踪、点云、ICP）和后端（图优化、捆绑调整），最后以高级AI集成SLAM和硬件优化结束。第二个课程专注于自动驾驶，涵盖类似主题，但更强调计算机视觉、LiDAR处理、传感器融合，以及ORB-SLAM和Cartographer等最终项目。每章都有理论部分和动手代码示例，使用OpenCV、Eigen、Ceres、PCL和ROS等库。该仓库还提供了一个基础Docker镜像，其中预装了这些库中的许多。

适用对象

学生、开发者和研究人员，希望通过实际编码学习SLAM。对于跟随FastCampus讲座的人尤其有用，但任何有基本编程知识的人都可以使用这些练习来构建SLAM技能。内容涵盖从初学者友好的C++/Python到高级主题，如GPU加速和现代SLAM系统。

亮点

• 两条完整课程轨道：一个完整的从零到精通SLAM系列和一个专门的自动驾驶系列
• 超过60个动手代码练习，涵盖所有主要SLAM主题
• 使用真实世界的库：OpenCV、Eigen、Sophus、Ceres、g2o、GTSAM、PCL等
• 包含一个基础Docker镜像，所有主要库已设置好
• 涵盖经典和现代SLAM，包括AI集成方法（NeRF、Gaussian Splatting）和硬件加速（CUDA、SIMD）
• 在自动驾驶、无人机、机器人和AR/VR等场景中的最终项目