0. 简介
在之前，作者曾经转过一篇《一文详解ORB-SLAM3》的文章。那篇文章中提到了ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统，可以在单目，双目和RGB-D相机上利用针孔或者鱼眼模型运行。与ORB-SLAM2相比，ORB-SLAM3在处理大视差和长时间未观测到的场景时效果更好。它还提供了更准确的帧间运动估计和更快的处理速度。此外，ORB-SLAM3还支持更多的传感器，包括RGB-D摄像头和车载LIDAR。ORB-SLAM3的代码结构也比ORB-SLAM2更加简洁，使得它更容易理解和扩展。
1. 主要贡献
一个单目和双目的视觉惯导SLAM系统：全部依赖于MAP(最后后验概率估计)，即使是在IMU初始化的时候。
高召回率的场景重识别算法:DBoW2需要匹配三个连续的关键帧，太慢了。作者的方法是：候选的关键帧第一次就进行几何一致性检测，然后利用三个共视的关键帧进行局部的一致性检验，这种策略提升了召回率，并简化了数据关联，从而提高了地图准确性，但计算成本变高。
第一个可以解决纯视觉或者视觉惯导的完整的混合地图的SLAM系统。在单目或者双目的系统中,Atlas代表的是一系列不连续的地图，而且可以把他们应用到所有的建图过程中：场景重识别、相机重定位、闭环检测和精确的地图融合。这就允许地图是在不同的时间构建的(增量的SLAM系统)，纯视觉的Atlas是参考的2019年IROS的一篇文章：ORBSLAM-atlas: a robust and accurate multi-map system，本文又添加了视觉惯导的混合地图系统来实现场景重识别。
抽象的相机表示：使SLAM系统与所使用的相机模型无关。并允许通过提供其投影，非投影和Jacobian函数来添加新模型我们提供了针孔和鱼眼模型的实现。
2. ORB-SLAM2 和 ORB-SLAM3 相关改进代码汇总（截止2023.1.30日）
这部分可以看一下作者的《使用ORBSLAM2进行kineticV2稠密建图，实时转octomap建图以及导航》这篇文章。这里来汇总一下2,3中常见的扩展，算是一个大全吧
1.https://github.com/gaoxiang12/ORBSLAM2_with_pointcloud_map
高翔实现的添加稠密点云地图
2.https://github.com/xiaobainixi/ORB-SLAM2_RGBD_DENSE_MAP
3.https://github.com/gaoxiang12/ORB-YGZ-SLAM
使用SVO中直接法来跟踪代替耗时的特征点提取匹配，在保持同样精度的情况下，是原始ORB-SLAM2速度的3倍
4.https://github.com/gaoxiang12/ygz-stereo-inertial
双目VIO版本，加入了LK光流和滑动窗口BA优化
5.https://github.com/jingpang/LearnVIORB
VI-ORB-SLAM2
6.https://github.com/lsyads/fisheye-ORB-SLAM
添加了支持鱼眼
7.https://github.com/AlejandroSilvestri/osmap
添加保存和导入地图功能
8.https://github.com/Jiankai-Sun/ORB_SLAM2
添加保存和导入地图功能
9.https://github.com/AlejandroSilvestri/Osmap-viewer
添加了地图可视化
10.https://github.com/atlas-jj/ORB_Line_SLAM
添加了线特征
11.https://github.com/maxee1900/RGBD-PL-SLAM
添加了点线融合
12.https://github.com/ivalab/gf_orb_slam2
使用了一种更好的特征选择方法
13.https://github.com/Ewenwan/ORB_SLAM2_SSD_Semantic
动态语义SLAM 目标检测+VSLAM+光流/多视角几何动态物体检测+octomap地图+目标数据库
14.https://github.com/Eralien/TE-ORB_SLAM2
用YOLO v3的语义信息来增加跟踪性能
15.https://github.com/bijustin/YOLO-DynaSLAM
16.https://github.com/qixuxiang/orb-slam2_with_semantic_label
提出了一种构建3D密集语义图的方法，该方法同时利用YOLOv3[3]的2D图像标签和3D几何信息
17.https://github.com/VisionerTech/ORB_SLAM2_Unity
ORB-SLAM2在unity中仿真
18.https://github.com/thien94/ORB_SLAM2_CUDA
ORB-SLAM2使用CUDA加速
19.https://github.com/XinkeAE/Active-ORB-SLAM2
ORB-SLAM2加入距离最优路径规划器利用该模型来约束路径，使得每个姿势中相关联的地图点的数量高于阈值。
20.https://github.com/xiefei2929/ORB_SLAM3-RGBD-Inertial
增加了RGBD-IMU的运行模式和ROS接口，增加了单目IMU和双目IMU的ROS接口，替换了词典为二进制格式，加载速度更快。依据ORB_SLAM3重写了RGBD-IMU的ROS接口，避免出现队列拥塞，提供了Kinect for Azure的参数文件
21.https://github.com/TUMFTM/ORB_SLAM3_RGBL
将激光雷达数据集成到ORB-SLAM3中
22.https://github.com/zhouyong1234/ORB-SLAM3-GRID-MAP
将ORB-SLAM3生成的稀疏地图转化为2D栅格地图，用于机器人导航
23.https://github.com/cpymaple/ORB-SLAM3-YOLOv3
在ORB-SLAM3中使用深度学习YOLOv3
24.https://github.com/charbelias24/3dMapSLAM
使用ORB-SLAM3创建周围环境的分段3D八进制图，可以在八进制图中删除或添加特定的分段对象
25.https://github.com/TUMFTM/ORB_SLAM3_RGBL
一种基于RGB-D模式将3D激光雷达深度信息集成到现有ORBSLAM3中的新方法。我们提出并比较了两种深度图生成方法：传统的计算机视觉方法，即逆膨胀操作和基于监督深度学习的方法。通过添加直接读取激光雷达点云的所谓RGB-L（LiDAR）模式，将前者直接集成到ORB-SLAM3框架中。
3. 主要结构
由于网上对ORB-SLAM3的内容很多了，这里打算换一个形式，如果这里大段重复别人的内容不是很好，这里换一种形式，即用简单的话语+链接的形式来完成整个ORB-SLAM3的介绍，这里的图是以单目融合IMU的文件（Mono_inertial_tum_vi.cc）为例的。但是我们需要注意的是我们一般会使用ros作为 warpper，所以我们会使用ros_mono_inertial.cc完成理解
4. 主函数main
（1）首先是ros系统的初始化，以及启动相关线程
ros::init(argc, argv, "Mono_Inertial");
ros::NodeHandle n("~");
（2）创建SLAM系统，system会初始化所有的系统进程，并且准备好生成帧，此处会调用system的构造函数System::System()，具体见System.cc
// Create SLAM system. It initializes all system threads and gets ready to process frames.
ORB_SLAM3::System SLAM(argv[1],argv[2],ORB_SLAM3::System::IMU_MONOCULAR,true);
（3）准备捕获图像，并用SLAM类进行初始化
ImuGrabber imugb;
ImageGrabber igb(&SLAM,&imugb,bEqual); // TODO
//ImageGrabber类如下
class ImageGrabber
{
public:
ImageGrabber(ORB_SLAM3::System* pSLAM, ImuGrabber *pImuGb, const bool bClahe): mpSLAM(pSLAM), mpImuGb(pImuGb), mbClahe(bClahe){}//类的初始化
void GrabImage(const sensor_msgs::ImageConstPtr& msg);//捕获图像，并进行跟踪
cv::Mat GetImage(const sensor_msgs::ImageConstPtr &img_msg);
void SyncWithImu();
queue<sensor_msgs::ImageConstPtr> img0Buf;
std::mutex mBufMutex;
ORB_SLAM3::System* mpSLAM;
ImuGrabber *mpImuGb;
const bool mbClahe;
cv::Ptr<cv::CLAHE> mClahe = cv::createCLAHE(3.0, cv::Size(8, 8));
};
（4）订阅话题，获取彩色图像，当接收到图像后便会运行此函数，调用ImageGrabber中的GrabImage函数。
如果运行程序时出现没有画面的情形，大概率是因为话题名称不对应，先使用rostopic list或者rviz查看发布的话题，然后更改下面代码中的话题名称。
// Maximum delay, 5 seconds
ros::Subscriber sub_imu = n.subscribe("/imu", 1000, &ImuGrabber::GrabImu, &imugb);
ros::Subscriber sub_img0 = n.subscribe("/camera/image_raw", 100, &ImageGrabber::GrabImage,&igb);
（5）在回调函数中的GrabImage函数作用是，将订阅获取的ros image message转换为矩阵类型，并将rgb图像以及时间戳参数压入img0Buf，并将其传递给System中的TrackStereo函数，进行跟踪。这里会完成和IMU传感器对齐。
void ImageGrabber::SyncWithImu()
{
while(1)
{
cv::Mat im;
double tIm = 0;
if (!img0Buf.empty()&&!mpImuGb->imuBuf.empty())
{
tIm = img0Buf.front()->header.stamp.toSec();
if(tIm>mpImuGb->imuBuf.back()->header.stamp.toSec())
continue;
{
this->mBufMutex.lock();
im = GetImage(img0Buf.front());
img0Buf.pop();
this->mBufMutex.unlock();
}
vector<ORB_SLAM3::IMU::Point> vImuMeas;
mpImuGb->mBufMutex.lock();
if(!mpImuGb->imuBuf.empty())
{
// Load imu measurements from buffer
vImuMeas.clear();
while(!mpImuGb->imuBuf.empty() && mpImuGb->imuBuf.front()->header.stamp.toSec()<=tIm)
{
double t = mpImuGb->imuBuf.front()->header.stamp.toSec();
cv::Point3f acc(mpImuGb->imuBuf.front()->linear_acceleration.x, mpImuGb->imuBuf.front()->linear_acceleration.y, mpImuGb->imuBuf.front()->linear_acceleration.z);
cv::Point3f gyr(mpImuGb->imuBuf.front()->angular_velocity.x, mpImuGb->imuBuf.front()->angular_velocity.y, mpImuGb->imuBuf.front()->angular_velocity.z);
vImuMeas.push_back(ORB_SLAM3::IMU::Point(acc,gyr,t));
mpImuGb->imuBuf.pop();
}
}
mpImuGb->mBufMutex.unlock();
if(mbClahe)
mClahe->apply(im,im);
mpSLAM->TrackMonocular(im,tIm,vImuMeas);
}
std::chrono::milliseconds tSleep(1);
std::this_thread::sleep_for(tSleep);
}
}
5. 视觉SLAM图像输入以及初始地图构建
上面一节展示了这幅图，我们也将第一列给讲述完毕了，当然是使用ROS的方式，这里也可以使用opencv等操作，避免使用ROS。下面我们将开始介绍TrackMonocular(im,tIm,vImuMeas);这部分的内容。
这部分主要完成的是将图像传到SLAM系统中并进行跟踪，具体可以参考ORB-SLAM3 细读单目初始化过程(上)和ORB_SLAM3原理源码解读系列（1）—— ORB特征点提取，这一章节中主要介绍了Frame部分，主要完成工作是特征点提取，涉及到的知识点其实很多，包括图像金字塔、特征点均匀化、四叉树算法分发特征点、特征点方向计算等等。然后超详细解读ORB-SLAM3单目初始化（下篇）和ORB_SLAM3原理源码解读系列（2)——单目初始化这一讲主要讲述了Tracking::Track()。Tracking部分作用论文已提及，包含输入当前帧、初始化、相机位姿跟踪、局部地图跟踪、关键帧处理、姿态更新与保存等。除此以外，单目SLAM系统需要设计专门的策略来生成初始化地图（局部建图），这也是为什么代码中单独设计一个CreateInitialMapMonocular()函数来实现单目初始化，在文章ORB-SLAM3 单目地图初始化（终结篇）、ORB_SLAM3原理源码解读系列（3)——创建单目初始化地图和ORB-SLAM3源码阅读笔记1：Tracking、LocalMapping和LoopClosing三线程之间的关系里面有着详细的解释，这里作者建议参照着代码注释与文章来进行解析。
6. System完成多地图以及闭环检测
经过上一节的讲述，视觉SLAM图像输入以及初始地图构建部分也已经算是讲述完毕了，最后一部分就是
6.1 多地图系统
ORB-SLAM3中的地图，大致上采用了ORB-SLAM1/2和ORB-Atlas的方法完成了重定位、回环和地图融合。详细内容可以参考ORB-SLAM3多地图管理以及ORBSLAM-Altas：多地图SLAM
6.2 重定位
ORB-SLAM3在重定位的策略上做了一些改进。为了保证重定位不出错，重定位常常设置了严苛的条件，保证高精准率而识别率较低。旧的方法（ORB-SLAM1/2）中当3个关键帧完全匹配上后才判定为重定位成功。然而作者发现，三个关键帧经过了很长的时间。主要改进是，当当前关键帧与数据库的关键帧匹配上后，检测与当前关键帧具有共视关系的关键帧是否也能够匹配，如果可以则判定为重定位成功；否则才继续使用接下来的关键帧进行判定。，具体文章可以参考【ORB-SLAM3】LoopClosing-回环检测与地图融合详述，以及ORB-SLAM3源码阅读笔记13：回环检测与重定位的实现与分析。
6.3 视觉地图融合
视觉地图融合方式与ORB-Atlas的大致相同，对融合的区域起了一个新的名字叫做“衔接窗口（welding window）”。同时指明在衔接后进行完整位姿图融合时，衔接窗口的关键帧固定以保证不会出现gauge freedom。（十三）ORBSLAM3子地图融合优化
6.4 闭环
闭环检测部分与ORB-Atlas的基本相同。
7. 参考链接
https://zhuanlan.zhihu.com/p/307423490
https://blog.csdn.net/weixin_45635950/article/details/125750064
https://blog.csdn.net/fb_941219/article/details/119767427
https://code84.com/788824.html
评论（0）
您还未登录，请登录后发表或查看评论