说到SLAM，许多人会提MATLAB，主要原因是大多数人本科阶段接触的都是MATLAB，所以希望之后研究SLAM也用它。
MATLAB确实有很多优点：语法简单，开发速度快，调试方便，功能丰富。然而，在SLAM领域，MATLAB缺点也很明显，主要是这三个：
1.需要正版软件（你不能实机上也装个盗版MATLAB吧）；
2.运行效率不高；
3.需要一个巨大的安装包。
而相对的，C++的优势在于直接使用，有很高的运行效率，不过开发速度和调试方面慢于MATLAB。
不过光运行效率这一条，就够许多SLAM方案选择C++作为开发语言了，因为运行效率真的很重要。
同一个算法，如果拿MATLAB写的不能实现实时，而拿C++写的能实现实时的话，你说用哪个？
当然，MATLAB也有一些用武之地。偶见过一些SLAM相关的公开课程，让学生用MATLAB做仿真，交作业，这没有问题，比如SLAM toolbox 。
同样的，比较类似于MATLAB的Python（以及octave）亦常被用于此道。它们在开发上的快捷带来了很多便利，当你想要验证一些数学理论、思想时，这些都是不错的工具。技多不压身，掌握MATLAB和Python当然是很棒的。
但是一牵涉到实用，你会发现几乎所有的方案都在用C++。 因为运行效率实在是太重要了。
那既然有心思学MATLAB，为什么不学好C++呢？
接下来说说C++大概要学到什么程度
用程序员的话说，C++语言比较特殊，你可以说自己精通了Java，但千万不要说自己精通了C++。C++非常之博大精深，有数不清的特性，而且随着时间还会不断变化更新。不过，大多数人都用不着学会所有的C++特性，因为许多东西一辈子都用不到。
作为SLAM研究人员，大家面对的主要是算法层面的开发，所以更关心如何有效地实现各种相关的算法。而相对的，那些复杂的软件架构，设计模式，偶个人认为在SLAM中倒是占次要地位的。毕竟，用SLAM的目的是计算一个位置以及建个地图，并不是要去写一套能够自动更新的、多人网上对战功能的机器人大战平台。
你的主要精力可能会花在矩阵运算、分块、非线性优化的实现、图像处理上面；你可能对并发、指令集加速、GPU加速等话题感兴趣，也可以花点时间学习；你还可能想用模板来拓展你的算法，也不妨一试。
相应的，很多功能性的东西，比如说UI、网络通信等等，当你用到的时候不妨接触一下，但专注于SLAM上时就不必专门去学习了。
话虽这样说，SLAM所需的C++水平，大抵要高于你在书本上看到的那些个示例代码。因为那些代码是作者用来向初学者介绍语法的，所以会尽量简单。而实际见到的代码往往结合了各种奇特的技巧，乍看起来会显得高深莫测。
GeoTalks
研究SLAM，对编程的要求有多高？半闲居士·2016-11-22 19:16
说到SLAM，许多人会提MATLAB，主要原因是大多数人本科阶段接触的都是MATLAB，所以希望之后研究SLAM也用它。
MATLAB确实有很多优点：语法简单，开发速度快，调试方便，功能丰富。然而，在SLAM领域，MATLAB缺点也很明显，主要是这三个：
1.需要正版软件（你不能实机上也装个盗版MATLAB吧）；
2.运行效率不高；
3.需要一个巨大的安装包。
而相对的，C++的优势在于直接使用，有很高的运行效率，不过开发速度和调试方面慢于MATLAB。
不过光运行效率这一条，就够许多SLAM方案选择C++作为开发语言了，因为运行效率真的很重要。
同一个算法，如果拿MATLAB写的不能实现实时，而拿C++写的能实现实时的话，你说用哪个？
当然，MATLAB也有一些用武之地。偶见过一些SLAM相关的公开课程，让学生用MATLAB做仿真，交作业，这没有问题，比如SLAM toolbox 。
同样的，比较类似于MATLAB的Python（以及octave）亦常被用于此道。它们在开发上的快捷带来了很多便利，当你想要验证一些数学理论、思想时，这些都是不错的工具。技多不压身，掌握MATLAB和Python当然是很棒的。
但是一牵涉到实用，你会发现几乎所有的方案都在用C++。 因为运行效率实在是太重要了。
那既然有心思学MATLAB，为什么不学好C++呢？
接下来说说C++大概要学到什么程度
用程序员的话说，C++语言比较特殊，你可以说自己精通了Java，但千万不要说自己精通了C++。C++非常之博大精深，有数不清的特性，而且随着时间还会不断变化更新。不过，大多数人都用不着学会所有的C++特性，因为许多东西一辈子都用不到。
作为SLAM研究人员，大家面对的主要是算法层面的开发，所以更关心如何有效地实现各种相关的算法。而相对的，那些复杂的软件架构，设计模式，偶个人认为在SLAM中倒是占次要地位的。毕竟，用SLAM的目的是计算一个位置以及建个地图，并不是要去写一套能够自动更新的、多人网上对战功能的机器人大战平台。
你的主要精力可能会花在矩阵运算、分块、非线性优化的实现、图像处理上面；你可能对并发、指令集加速、GPU加速等话题感兴趣，也可以花点时间学习；你还可能想用模板来拓展你的算法，也不妨一试。
相应的，很多功能性的东西，比如说UI、网络通信等等，当你用到的时候不妨接触一下，但专注于SLAM上时就不必专门去学习了。
话虽这样说，SLAM所需的C++水平，大抵要高于你在书本上看到的那些个示例代码。因为那些代码是作者用来向初学者介绍语法的，所以会尽量简单。而实际见到的代码往往结合了各种奇特的技巧，乍看起来会显得高深莫测。比方说你在教科书里看的大概是这样：
int main ( int argc, char** argv ) { vector<string> vec; vec.push_back(“abc”); for ( int i=0; i<vec.size(); i++ ) { // … } return 0; }
你看了C++ Primer Plus，觉得C++也不过如此，并没有啥特别难以理解的地方。然而实际代码大概是这样的：
嵌套的模板类（来自g2o的块求解器）：
g2o::BlockSolver< g2o::BlockSolverTraits<3,1> >::LinearSolverType* linearSolver = new g2o::LinearSolverDense<g2o::BlockSolver< g2o::BlockSolverTraits<3,1> >::PoseMatrixType>(); g2o::BlockSolver< g2o::BlockSolverTraits<3,1> >* solver_ptr = new g2o::BlockSolver< g2o::BlockSolverTraits<3,1> >( linearSolver ); g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );g2o::SparseOptimizer optimizer; optimizer.setAlgorithm( solver );
模板元（来自ceres的自动求导）：
virtual bool Evaluate(double const* const* parameters, double* residuals, double** jacobians) const { if (!jacobians) { return internal::VariadicEvaluate< CostFunctor, double, N0, N1, N2, N3, N4, N5, N6, N7, N8, N9> ::Call(*functor_, parameters, residuals); } return internal::AutoDiff<CostFunctor, double, N0, N1, N2, N3, N4, N5, N6, N7, N8, N9>::Differentiate( *functor_, parameters, SizedCostFunction<kNumResiduals, N0, N1, N2, N3, N4, N5, N6, N7, N8, N9>::num_residuals(), residuals, jacobians);}
C11新特性（来自SVO特征提取部分）
void Frame::setKeyPoints(){ for(size_t i = 0; i < 5; ++i) if(key_pts_[i] != NULL) if(key_pts_[i]->point == NULL) key_pts_[i] = NULL; std::for_each(fts_.begin(), fts_.end(), [&](Feature* ftr){ if(ftr->point != NULL) checkKeyPoints(ftr); });}
谜之运算（来自SVO的深度滤波器）：
void DepthFilter::updateSeed(const float x, const float tau2, Seed* seed){ float norm_scale = sqrt(seed->sigma2 + tau2); if(std::isnan(norm_scale)) return; boost::math::normal_distribution<float> nd(seed->mu, norm_scale); float s2 = 1./(1./seed->sigma2 + 1./tau2); float m = s2*(seed->mu/seed->sigma2 + x/tau2); float C1 = seed->a/(seed->a+seed->b) * boost::math::pdf(nd, x); float C2 = seed->b/(seed->a+seed->b) * 1./seed->z_range; float normalization_constant = C1 + C2; C1 /= normalization_constant; C2 /= normalization_constant; float f = C1*(seed->a+1.)/(seed->a+seed->b+1.) + C2*seed->a/(seed->a+seed->b+1.); float e = C1*(seed->a+1.)*(seed->a+2.)/((seed->a+seed->b+1.)*(seed->a+seed->b+2.)) + C2*seed->a*(seed->a+1.0f)/((seed->a+seed->b+1.0f)*(seed->a+seed->b+2.0f)); // update parameters float mu_new = C1*m+C2*seed->mu; seed->sigma2 = C1*(s2 + m*m) + C2*(seed->sigma2 + seed->mu*seed->mu) – mu_new*mu_new; seed->mu = mu_new; seed->a = (e-f)/(f-e/f); seed->b = seed->a*(1.0f-f)/f;}
偶不知道你们看到这些代码是什么心情，总之偶当时内心的感受是：这怎么和教科书里的完全不一样啊！而且研究了半天发现人家居然是对的啊！
[偶不是很擅长贴表情图总之你们脑补一下就好]
总而言之，对C++的水平要求应该是在教科书之上的。而且这个水平的提高，多数时候建立在你不断地看别人代码、码自己代码的过程之上。它是反复练习出来的，并不是仅仅通过看书就能领会的。特别是对于视觉SLAM问题，很多时候你没法照着论文把一套方案实现出来，这很大程度上取决于你的理论和代码功底。
所以，请尽早开始学习C++，尽早开始使用C++，才是研究SLAM的正确之道。
不要长期彷徨在自己的舒适区里犹豫不决，这样是没有进步的。（同样的道理亦适用于想研究SLAM但不愿意学习Linux的朋友们）
关于闭环检测的库，稍微列几个
1.DBoW系列
来自TRO12的一篇文章，里头用k-means++训练的字典树。与OpenCV结合紧密，原理亦比较简单。
GitHub – dorian3d/DBoW2: Enhanced hierarchical bag-of-word library for C++（https://github.com/dorian3d/DBoW2）
GitHub – rmsalinas/DBow3: Improved version of DBow2
（https://github.com/rmsalinas/DBow3）
2.FABMAP系列
用了Chow-Liu树，来自Cummins的一系列论文。作者自己提供过一个开源版本，OpenCV也有人实现了一个，所以一共两种。
FabMap原版（http://www.robots.ox.ac.uk/~mjc/Software.htm）
OpenCV：OpenFABMAP
（http://docs.opencv.org/2.4/modules/contrib/doc/openfabmap.html）
3.DLoopDetector
在DBoW2基础上开发的回环检测库（https://github.com/dorian3d/DLoopDetector）
建议从DBoW2或者DBoW3开始入手研究。原理和实现都相对简单一些，效果也比较好。