词袋模型 BoW 与 SLAM 回环检测
回环检测是 SLAM 区别于纯里程计的关键——只有识别出"我以前来过这里"，才能消除累积漂移、得到全局一致的地图。词袋（Bag-of-Words, BoW）是它事实上的标配前端。这篇记下我啃 BoW 时的推导过程，以及那些实打实卡过我的疑问。
SLAM 全景：定位与建图的联合估计
SLAM（Simultaneous Localization And Mapping，同时定位与建图）要求移动平台在未知环境、无先验地图的前提下，一边估计自身位姿、一边构建环境地图。这篇梳理 SLAM 的整体框架、数学本质与关键脉络，把前端跟踪、后端优化、回环检测、建图四个模块拧成一个整体来看。
FoundationPose：渲染对比式 6D 位姿估计
FoundationPose（CVPR 2024 Highlight，NVIDIA）把 6D 物体位姿估计做成了"一个模型零样本泛化到新物体"——给定 CAD 模型或几张参考照片即可，不重新训练。它的核心是 render-and-compare（渲染对比），把位姿估计从端到端回归转成带监督的图像判别问题。这篇记录它的算法原理和源码架构要点（不含具体代码）。
回环检测：候选之后（几何验证、Sim3 与全局校正）
词袋模型（DBoW2）给出了回环的"候选"——当前帧可能和某个历史关键帧拍的是同一个地方。但候选只是开始：单帧命中不可靠，真假回环必须经过几何验证、尺度校正、全局优化三步才能确认并消除漂移。这篇接在词袋模型之后，记录"候选之后"的完整流程。
PnP 算法的本质：射线交汇与 EPnP 推导
PnP（Perspective-n-Point）是已知 3D 点位置、它们的 2D 像素投影、相机内参，反推相机位姿的问题。它是相机定位、SLAM 重定位、AR 追踪的核心。这篇不重复 DLT/P3P 的力学推导和 OpenCV 接口（另见 PnP 算法），而是讲 PnP 的本质——射线交汇——以及最常用方法 EPnP 的完整推导。
误差工程方法论：视觉测量系统的精度预算
视觉测量系统（相机 + PnP + 手眼 + 机械臂）落地提精，难点往往不在算法——PnP、ICP、BA 的数学是标准的——而在于系统化地拆解误差、逐级量化验证、定位瓶颈、迭代逼近极限。这篇记录一套"误差预算驱动"的工程方法论，以一个 1m 工作距离、10cm 工件、目标 2mm 精度的场景为线索展开。
焦距、传感器与 FOV：物理到像素的完整关系链
焦距、传感器尺寸、像素、视场角这些概念经常被串在一起：标定输出的 fx 是什么单位、物理焦距怎么反推、工作距离下每像素代表多少毫米。这篇把它们串成一条从物理到数字的关系链。相机成像几何（投影矩阵）和相机模型（畸变）另文记录，这里专讲物理成像面。