C++
C++ 是 SLAM 的主力语言。你在后续层级中会研究的几乎每一个系统 —— ORB-SLAM、DSO、VINS-Mono、KinectFusion —— 都是用 C++ 编写的，因为 SLAM 必须在资源受限的硬件上实时处理相机帧、IMU 数据包和优化问题。在这一层级，“掌握 C++“意味着能够熟练运用 SLAM 代码库所使用的特定语言习惯和工具链，而不仅仅是掌握语法。
现代 C++（C++11/14/17/20）。 SLAM 代码的生死存亡都系于现代语言习惯：基于范围的 for 循环、auto、lambda 函数、std::thread、智能指针以及移动语义。移动语义尤其重要，因为 SLAM 会传递大型对象（图像、点云、描述子矩阵），在热点循环中承受不起意外的深拷贝。
面向对象编程与设计模式。 SLAM 系统由多个相互交互的模块构成 —— 跟踪器、局部建图器、回环检测器、地图数据库 —— 它们在多个线程之间共享状态。理解继承与组合的取舍、传感器抽象所用的接口，以及常见的设计模式（地图数据库用单例模式，传感器驱动用工厂模式，发布/订阅式回调用观察者模式），能让像 ORB-SLAM 这样的大型代码库变得可读。
数据结构与算法。 你会不断地在复杂度上进行权衡：用于最近邻搜索的 kd-树和哈希网格，用于关键帧筛选的优先队列，用于共视关系和位姿图结构的图。选择合适的容器（std::vector 还是 std::unordered_map）会对帧率产生明显的影响。
编译器与构建系统。 实际项目通常用 CMake 来驱动 Make 或 Ninja 构建。你需要能够阅读和编写 CMakeLists.txt，用于查找 Eigen/OpenCV、设置优化标志（-O3、-march=native），以及管理第三方子模块。一个面向 SLAM 的最小 CMakeLists.txt 示例：
cmake_minimum_required(VERSION 3.16)
project(my_vo)
set(CMAKE_CXX_STANDARD 17)
set(CMAKE_BUILD_TYPE Release) # forget this and everything is "slow"
find_package(OpenCV REQUIRED)
find_package(Eigen3 REQUIRED)
add_executable(vo main.cpp)
target_link_libraries(vo ${OpenCV_LIBS} Eigen3::Eigen)大致了解编译器做了什么（内联、向量化、debug 与 release 构建的区别），可以解释为什么一个”运行很慢”的 SLAM 系统往往只是一个 debug 构建而已。
C++ 中的 OpenCV。 OpenCV 是默认的图像处理层：图像的读取与去畸变、特征检测（cv::ORB、cv::SIFT）、匹配（cv::BFMatcher、cv::FlannBasedMatcher）、位姿估计（cv::solvePnP）以及标定（cv::calibrateCamera）。一个最小的特征处理流程大致如下：
cv::Ptr<cv::ORB> orb = cv::ORB::create(2000);
std::vector<cv::KeyPoint> kps;
cv::Mat desc;
orb->detectAndCompute(img, cv::noArray(), kps, desc);
cv::BFMatcher matcher(cv::NORM_HAMMING);
std::vector<cv::DMatch> matches;
matcher.match(desc_prev, desc, matches);真实 SLAM 系统中的并发
实时 SLAM 系统会在多个粒度上大量利用并行性：
- 多线程 —— 为时间关键的跟踪和后台的建图分别使用独立的线程。ORB-SLAM3 使用三个线程：跟踪、局部建图和回环检测。地图是共享状态，因此互斥锁和谨慎的所有权规范是架构本身的一部分，而不是事后的补救措施。
- SIMD（x86 上的 SSE/AVX，ARM 上的 Neon） —— 每条指令处理 4 到 16 个浮点数；描述子计算与匹配（例如在 ARM 上借助 Neon 内建指令实现的 ORB）是这一技术的经典受益者。
- OpenMP —— 通过
#pragma omp parallel for实现粗粒度的 CPU 并行，适合在图像区域或金字塔层级上并行化特征提取。 - CUDA —— 面向稠密深度估计、神经网络推理以及稠密建图（KinectFusion 风格的 TSDF 融合）的 GPU 编程。
常见陷阱
- Debug 构建。 对大量使用 Eigen 的代码进行未优化的构建，速度会比
-O3慢得多；在断定一个系统不具备实时能力之前，务必先检查CMAKE_BUILD_TYPE。 - Eigen 对齐与版本混用。 在堆分配的类中，固定大小、可向量化的 Eigen 成员需要对齐分配（
EIGEN_MAKE_ALIGNED_OPERATOR_NEW），而链接针对不同 Eigen 版本构建的库会导致隐蔽的崩溃 —— 这也是 SLAM 项目普遍附带 Dockerfile 的一大原因。 cv::Mat的浅拷贝语义。 赋值和拷贝构造会共享底层缓冲区；当你需要一个独立的副本时要使用.clone()，并清楚在多线程流水线中自己到底需要哪一种。- 对 Eigen 表达式使用
auto。 Eigen 构建的是惰性表达式模板；用auto捕获它们可能会产生指向临时对象的悬空引用。有疑虑时应赋值给一个具体的矩阵类型。 - 对地图的数据竞争。 跟踪器读取地图的同时，建图器正在插入/剔除地图点，这是 SLAM 中典型的竞态条件；在自己动手编写代码之前，先研究一下 ORB-SLAM 是如何保护地图访问的。
对SLAM的意义
上面每一个层级都假定你能够阅读、构建并修改一个中等规模的 C++ 代码库。复现一篇论文通常意味着克隆一个 C++ 仓库，针对你本地的 Eigen/OpenCV 版本修复其 CMake 构建，并对耗时瓶颈进行性能剖析。C++ 的熟练程度也正是让你从使用 SLAM 系统迈向改造 SLAM 系统的关键 —— 无论是替换特征检测器、增加一个传感器，还是通过多线程或 SIMD 来优化性能瓶颈。