前一段时间总有一个想法，那就是，我只直到视觉slam是远远不够的，激光slam仍然是一个比较稳妥的技术，好落地，应用广泛，我想着，如果我学会了会大大增加自己的核心竞争力，所以我抽时间开始看关于激光slam和无人驾驶的相关内容，我也只是看个大概，由于没有项目支撑，所以我理解和明白的，接触的东西非常有限，由于没有很强的外部驱动力，我的进度很慢，并且学习质量也很差，代码看不下去，就这样陷入的恶性循环，我开始迷茫，感觉自己到达了瓶颈期，但又明白，我必须尽快的突破它，要不然结果很不好。

之前的想法就是从宏观上把控自己的认知，想着多接触框架，多学习更加广泛的知识，殊不知，我没有一个擅长的领域，很难在这样的强竞争力的技术领域站稳脚，我开始思考，我想要的事一种解决问题的能力，这种能力，不被不同的种类限制，就比如说，视觉slam里我可以，激光slam里我也可以，抛开slam领域，其他的地方我也有用武之地，这样思考起来，发现，一个东西很符合这样的标准，那不就是，编程能力嘛，当然这个有些宽泛了，再细化一些，但从slam领域，一个很突出的问题就是，优化问题，这是一个很关键的问题，如果没有优化，可想而知，一个slam系统将会有多糟糕，而解决优化问题，目前我们常用的是g2o和ceres两个库，当然，沈韶杰老师说，对于新进课题组的学生，它都会安排一个，手写优化器的任务，并且最多只能使用eigen库，好吧，咱们这里先降低难度，怎么使用现成的优化库，来解决现实中的问题，具有这样的能力，其实已经是很不错了。

上面的这种思维的转变，让我豁然开朗，我们需要积累的不是一个一个具体的问题，而是慢慢去掌握解决更多问题的通用方法只有这样，才能实现我们的真正的价值。

不啰嗦了，不过把上面的思路捯饬清楚了，自己的目标也就清晰了，干起活来也不会再犹豫不定，瞻前顾后了。

学习第一步：当然是临摹

就是先学会ceres-solver中给的examples中的例子。别怕麻烦，如果有时间可以自己敲一遍代码，从0开始构建起来你的优化库。

example中关于2d-slam和3d-slam的优化问题。我直接编译example没有成功，于是我创建了一个独立的工程，然后将slam_2d和slam_3d的代码重新写了一遍，然后调试通过，代码我放到了我的github上，https://github.com/Serena2018/ceres-solver

需要使用的数据集可以在下面这个链接上下载，https://lucacarlone.mit.edu/datasets/

下面分别是2d和3d数据优化前后效果的对比。

代码调试通只是第一步，更重要的是要理解代码，并且总结出，如何将实际问题抽象成一个在ceres-solver可以解决的问题。