在无标记增强现实中，基于视觉即时定位与地图构建，结合ORB特征提取算法和顺序抽样一致性，提出了一种改进的注册方法。利用相似函数衡量匹配样本点对之间的差异性，从具有最高品质函数的数据子集中抽取样本，得到较优的匹配点对，完成了三维地图重建过程中的平面检测。通过奇异值分解，实现了虚拟物体的方向和位置控制；结合相机的位姿估计，完成了虚拟物体的注册。实验结果表明，所提方法的平均注册效率提高了34.5%。

本文描述了如何通过KITTI数据集，读取激光雷达点云数据，并通过ground truth进行点云建图的过程。其代码的主要功能包括：1）点云文件的格式转换2）点云转换矩阵计算3）点云地图构建

基于 ROS 与 Kinect 的移动机器人同时定位与地图构建

这是一份关于MATLAB基于几何图形法的障碍物地图构建算法的源代码，是我总结的自己关于线性规划的构图方法的理解，里面包含四个matlab的函数，可以直接调试，没有主函数，直接运行需要自己提供输入参数，具体参数代码注释的很详细，不理解的可以看我写的博客，link:https://blog.csdn.net/SimileciWH/article/details/83958617

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿态的随机约束来实现。本文提出了一种在se（2）上直接参数化地面车辆姿态的简单算法。该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿态和3d地标关联起来。对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

斯坦福大学的博士论文，详细阐述了如何对激光雷达进行标定，如何构建高精度地图，如何用高精度地图进行定位，斯坦福大学无人车的架构和传感器介绍。深入浅出，是学习SLAM和无人驾驶的必读文章。内容是纯英文的，介意勿下。