概覽

    統一給出 Robot Motion Model 以及 Perception Model
        Motion model: 不像一般的paper裡面寫的很散，總結了很多運動模型，比如說 constant-velocity model，differential drive mode，IMU-driven model等等
        Perception model: 全面的總結了 2D/3D lidar model，monocular/stereo/RGB-D camera model, GPS等等
        有利於對各部分有過了解的人再對這兩個部分建立起總體的認識

    Dynamic Bayes Network 和 Factor Graph
        講的很清楚，以及SLAM問題是 為什麼要/如何 formulate 成這兩種形式的

    Non-linear Optimization
        一般形式、最小二乘形式的優化表達
        牛頓法，高斯牛頓，LM法基本原理
        為什麼要轉化為對於流形上優化的研究

    利用SLAM問題構建的稀疏性，以及 QR/Cholesky 分解去解優化問題
        QR/Cholesky 分解基本原理及演算法流程
        兩者之間的聯絡
        Schur complement
        iSAM的基本原理，為什麼要/如何 將優化問題做成 incremental 的形式

    附錄較為詳細的介紹了 Quaternion 的基本知識，但是我覺得比較缺少 Lie Groups/Lie Algebra 方面的基本知識，還有與 Manifold 的聯絡。這部分可以參考高博的《視覺SLAM十四講》的第4講，或者王京的《計算機視覺中的矩陣李群》。

    雖然不是很長的一本書，但是該詳細的地方都寫到了，該點到為止的地方也提醒了讀者要通過進一步搜尋去深入學習。我個人覺得這本書比較適合已經瞭解過一定 SLAM 知識的讀者，方便將零散的知識串聯起來系統化。如果是初學者沒有任何經驗的話，可能要看明白裡面的各種數學表達會有些吃力。當然也可以先了解大概，不管數學推理，然後隨著不斷深入學習 SLAM 裡面各個子塊的細節，可以過段時間回來讀讀這本書，也許會給你很多新的感悟。否則，如果從大部頭 Probabilistic Robotics 或者 有深度的 Factor Graphs for Robot Perception 開始的話，很容易迷失在過多的細節裡面，而不容易對 SLAM 問題的概貌有個整體感性的認識。

參考：

https://blog.csdn.net/cxsydjn/article/details/81450297