为什么鲁棒性如此重要？常见挑战：光照、动态、纹理缺失、快速运动。课程目标与学习路径。
ORB特征、特征匹配、RANSAC原理。鲁棒性在特征匹配中的体现。
光流法、直接法对齐。直接法对光照鲁棒性的优势与局限。
单目/双目/RGB-D鲁棒性对比。IMU融合概念，相机-IMU外参标定影响。
自适应直方图均衡化、伽马校正、去噪滤波。应对光照剧烈变化。
基于共视关系、时间间隔、质量评估。好的关键帧是鲁棒SLAM基石。
单目初始化陷阱、两视图几何稳定性判断。避免初始化失败。
EPnP、UPnP、MLPnP。RANSAC在PnP中的正确使用姿势。
鲁棒核函数（Huber、Cauchy、Tukey）。信息矩阵协方差调整。
语义分割剔除动态物体、光流异常点检测。动态场景鲁棒SLAM。
光照不变性描述子（LDB、CenSurE）。多曝光图像融合。
边缘特征（Line3D、StructLine）。点线融合SLAM。
视觉惯性对齐、重力估计、尺度恢复。鲁棒初始化是VIO成功一半。
VINS-Mono / ORB-SLAM3 鲁棒性机制分析。
ATE、RPE、成功率。EuRoC/TUM/KITTI鲁棒性测试。
内存管理、多线程加速、SIMD。工程化对鲁棒性的隐性贡献。
日志系统、轨迹可视化、特征跟踪可视化。快速定位鲁棒性问题。
当前鲁棒性技术边界。未来趋势：端到端学习、神经隐式表示。