上一篇我们已经成功的实现了一个只有两帧的简单slam程序，但是真正的slam程序是不会只有两帧画面，本篇将会使用更多的数据，同时制作一个简易的视觉里程计。

在上一篇中，我们利用比对两张图片的特征点，估计相机运动，最后得出了旋转向量和位移向量。在本篇中，我们将使用这两个向量，将两张图像的点云拼接起来，组合成一个更大的点云。

实现目标：机器人检测到有人走过来，迎上去并开始追踪， 追踪算法使用kcf算法。

使用ROS和TensorFlow进行深度学习

本讲的前半部分将带领读者参观一下当前的视觉SLAM方案，评述其历史地位和优缺点。表1列举了一些常见的开源SLAM方案，读者可以选择感兴趣的方案进行研究和实验。

我目前做的项目是类似于Android手机端SLAM，具体目的是什么不便透露，作为过来人，分享下经验，避免后来人走弯路，手机端最难以解决的问题从难到易排序如下。

SLAM涵盖的东西比较多，分为前端和后端两大块。前端主要是研究相邻帧的拼接，又叫配准。

随着ARM平台处理能力的日益强大，越来越多的工业智能/机器人应用在ARM平台上面实现，在这个过程中不可避免的就涉及到将机器人应用开发框架移植到ARM平台来运行，因此本文就着重示例基于Openembedded环境，将ROS编译集成到嵌入式Linux中运行。

move_base处在核心地位

local costmap 是怎么生成的？跟三维点云有什么关系？