皮皮网

1.ORB_SLAM灰度质心法学习笔记
2.视觉slam实践之orbslam3
3.视觉SLAMORB-SLAM：让人Orz的SLAM
4.ORB-SLAM3 源码剖析：IMU 预积分
5.ORB-SLAM2 的编译运行（ubuntu20.04）以及ROS1安装
6.基于ORB-SLAM3库搭建SLAM系统

ORB_SLAM灰度质心法学习笔记

       灰度质心法，其核心原理是基于像素灰度值来确定关键点的位置。公式[公式]描绘了像素坐标与灰度值之间的关系，其中[公式]代表像素坐标，[公式]则表示该像素的灰度值。

       在编程实现中，jdk指数源码以图像块[公式]为例进行解释。这个块由像素值[公式]组成，关键点的灰度值位于块的中心，记作[公式]。为了保证关键点的旋转不变性，我们通常选择圆形区域而非矩形。圆形块不论以圆心为中心如何旋转，其内部像素分布保持不变，从而确保了方向角计算的准确性。

       编程思路如下：通过公式[公式]计算像素的x坐标，公式[公式]处理y坐标，采用双重循环结构。外层循环遍历整个图像块，内层循环逐个像素处理。通过这些计算，我们可以得到[公式]和[公式]，进而利用公式[公式]求得关键点的方向角[公式]。在此过程中，需要注意的是像素坐标[公式]与行、列的顺序相反。

视觉slam实践之orbslam3

       一、概述

       Orbslam3 是一款面向单目、双目、RGB-D相机的视觉 SLAM 解决方案。它在三维空间中实时构建环境地图，追踪相机运动。

       二、依赖安装

       2.1 Eigen3 安装（3.1.0以上版本）

       确保安装了Eigen3的最新版本，否则可能遇到找不到Eigen/Dense文件的错误。解决办法是确保安装的Eigen3版本符合要求。

       2.2 Pangolin 安装

       安装Pangolin依赖并完成安装。使用sudo make install命令执行安装。卡片样式 html源码

       2.3 OpenCV 安装

       安装编译/构建工具，下载源文件，编译并构建OpenCV。在Vscode中配置环境，通过运行example.cpp文件检查OpenCV安装是否成功。

       三、Orb-slam3 安装

       直接下载安装包，避免使用git clone操作。如遇错误，检查build.sh文件，调试安装过程。特别注意，使用Eigen3版本3.3.1时，安装较为顺利。避免使用3.3.0及以下版本，因其可能缺少eigen3config.cmake文件。

       四、测试

       下载数据库用于example测试，解压并按照指示操作。将所有文件放置于指定目录下。通过修改路径和运行example下的euroc_examples.sh文件，进行环境地图构建与相机运动追踪的测试。

视觉SLAMORB-SLAM：让人Orz的SLAM

       ORB-SLAM，在视觉SLAM领域享有盛誉，其源码在GitHub上已有4.4K+Star，充分彰显了西班牙小哥的出色贡献。近期深入研究其论文并结合源码，体验了一番酸爽，发现它在SLAM领域确实有着独特的魅力与贡献。

       ORB-SLAM的核心框架由三个并发进程组成：跟踪、局部建图和回环检测，系统结构清晰，功能分明。跟踪是主进程，负责定位和跟踪相机运动，通过特征匹配实现定位与优化。局部建图则负责关键帧与地图点的舰r 资源码插入、删除及局部优化。回环检测则通过搜索回环关键帧，实现位姿图优化，确保系统鲁棒性。

       特征提取是ORB-SLAM的关键之一，它采用ORB特征，兼顾性能与效率。与SURF、SIFT等相比，ORB提取速度快，每张仅需.3ms，适用于实时操作。ORB在FAST角点基础上加入方向信息，使BRIEF描述子旋转不变，同时利用图像金字塔和灰度质心法提取特征，实现尺度不变性。此外，通过网格划分与四叉树结构，ORB-SLAM确保特征点分布均匀，即使特征点不足，也可通过调整FAST阈值增加。

       单目初始化是ORB-SLAM的另一大亮点，它通过特征点匹配计算基础矩阵和单应矩阵，自动判断场景类型，无需人工设定模型。共视图与本质图结构则加强了关键帧间的联系，实现高效回环检测。相机重定位策略确保了系统在跟踪失败时能快速恢复，关键帧与地图点的删增策略则优化了系统性能。

       ORB-SLAM提供多样化的Bundle Adjustment方式，包括初始化阶段的全BA、跟踪过程的运动BA及局部建图阶段的局部BA，适应不同场景需求。整个系统庞大复杂，通过总结主要特性，虽有其精髓，但仍需深入研究，java代码雨源码以充分理解其工作原理与优化策略。

       总之，ORB-SLAM在视觉SLAM领域展现出了其独特魅力与贡献，从其高效的特征提取到灵活的系统框架，再到多样化的优化策略，无不体现其在SLAM技术中的卓越地位。向所有SLAM领域的先驱者致以崇高的敬意。

ORB-SLAM3 源码剖析：IMU 预积分

       IMU的数据结构在ORB-SLAM3中用于表示机体坐标系中的测量值。在特定时刻，加速度计测量线加速度和陀螺仪测量角速度。假设这些测量值包含高斯白噪声，且偏置建模为随机游走，其导数也是高斯白噪声。将重力转换到机体坐标系后，得到连续视觉帧间的IMU预积分结果。这些预积分包括旋转、速度和位置测量，以及整个测量向量的协方差矩阵。

       在ORB-SLAM3中，每帧的IMU预积分在tracking线程中计算，具体由Tracking::PreintegrateIMU()函数执行。每帧间的IMU测量通过src/ImuTypes.cc中的Preintegrated::IntegrateNewMeasurement()进行积分。主要步骤如下：首先进行偏置校正，然后计算位置、速度的增量，接着计算旋转的增量。旋转变化量以李代数中的旋转向量表示，并通过指数映射转换为旋转矩阵。旋转矩阵按旋转顺序右乘。最后，更新协方差矩阵，并调整与偏置修正相关的位置、速度和旋转雅可比。

       IMU的偏置校正、测量、标定和预积分类定义在include/ImuTypes.h文件中。

       值得注意的qi 无线充电 源码是，对于初学者，了解GDB调试方法是提高ORB-SLAM3源码理解效率的重要步骤。GDB提供了一系列功能，允许开发者在运行程序时设置断点、查看变量值、追踪程序执行流程等，从而深入分析代码行为和潜在问题。

ORB-SLAM2 的编译运行（ubuntu.）以及ROS1安装

       在 Ubuntu . 环境中，编译并运行 ORB-SLAM2 需要一系列的准备工作和库的安装。首先，确保已安装了所需的依赖项，然后按照指定链接从 GitHub 下载并安装 Pangolin-0.6 稳定版。

       接着，进行 OpenCV-3.4.5 的安装，包括下载、配置编译环境和查询版本信息以验证安装是否成功。对于 Eigen3，建议源码安装默认的 Eigen 版本（3.3.9），并将其头文件复制到相应目录以确保正常工作。若需要使用特定版本（如3.3.7），需手动安装并调整位置。

       在编译 ORB-SLAM2 时，需处理常见的报错，例如在 `System.h` 中添加 `#include` 以解决 `usleep` 报错，并根据特定链接调整 `LoopClosing.h` 文件中的代码以解决第二个报错。第三个报错需删除 `CMakeCache.txt` 文件并重新执行 `cmake ..` 和 `make` 命令。

       成功编译后，需在特定目录下运行 ORB-SLAM2，确保使用正确的终端打开以找到可执行文件。此外，安装 ROS1 可以通过一键安装工具完成，注意管理日志目录的大小以避免警告。在安装完成后，启动 ROS Master、小海龟仿真器和海龟控制节点，以验证 ROS1 是否已成功安装。

       安装过程中可能遇到的问题包括 ROS 目录的位置和库查找问题，以及如何在编译 ORB-SLAM2 时指定依赖目录。通过将 ROS 目录添加到环境变量（如 `PYTHONPATH` 或 `LD_LIBRARY_PATH`）中，可以解决这些问题并确保库的正确查找。

基于ORB-SLAM3库搭建SLAM系统

       基于ORB-SLAM3库搭建SLAM系统，本文将详细指导如何进行系统搭建与配置，包括基础部分和扩展部分。

       基础部分涉及以下步骤：

注意事项与准备工作：确保环境适合系统搭建，下载ORB-SLAM3库。 创建文件夹（homework_exercise）并执行下载命令。 使用终端输入命令或直接从GitHub下载ORB-SLAM3库。 下载Pangolin库。 下载Eigen3库。 安装所需库： 安装Eigen3库。 安装Pangolin。 安装Pangolin依赖工具。 下载并安装。 安装OpenCV3.4.3。 从官网下载。 解压并配置环境变量。 安装boost库。 安装libssl-dev。 编译和安装ORB-SLAM3。 修改CMakeLists.txt文件。 编译与安装。

       扩展部分包括：

基于Gazebo搭建移动机器人进行定位和建图。 创建功能包，导入依赖项。 编写URDF或Xacro文件。 封装惯性矩阵算法的xacro文件。 设置相关参数。 启动Gazebo并显示机器人模型。 运动控制与仿真。 添加机器人传动装置。 集成控制器与传动配置。 启动gazebo控制运动。 Rviz查看里程计信息。 雷达、摄像头及kinect信息仿真与显示。

       附录部分涉及：

git安装。 vi编辑器安装。

       最后的Q&A部分解答了在搭建过程中可能遇到的问题，包括git、catkin_make、make和cmake等工具的安装与使用问题。参考资料提供了相关的解决办法，以帮助解决搭建过程中可能遇到的技术难题。

ORB-SLAM2源码系列--局部建图线程（MapPointCulling和KeyFrameCulling）

       ORB-SLAM2源码系列--局部建图线程详解

       MapPointCulling模块负责筛选新加入的地图点，确保地图质量。在ProcessNewKeyFrame函数中，新点被暂存于mlpRecentAddedMapPoints。筛选过程包括：

       根据相机类型设定不同的观测阈值

       遍历新点，若点已标记为坏点则直接从队列中移除

       若点的观察帧数少于预期值的%，或者观察相机数量少于阈值cnThObs，即使过了两个关键帧也会被删除

       只有经过三个关键帧且未被剔除的点，才会被认定为高质量点，仅从队列移除

       另一方面，KeyFrameCulling则针对共视图中的关键帧进行冗余检测。步骤如下：

       提取当前关键帧的共视关键帧，并遍历它们

       对于每个共视关键帧，检查其地图点：若至少有3个其他关键帧观测到，被认为是冗余点

       对于双目或RGB-D，仅考虑近距离且深度值大于零的地图点

       若关键帧%以上的有效地图点被判断为冗余，该关键帧将被标记为冗余并删除

       这样的筛选机制确保了地图数据的准确性和效率。

ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）

       本文介绍了一种名为ORB-SLAM的新型单目SLAM系统，该系统在各种环境条件下都能实时运行。ORB-SLAM具有鲁棒性，支持宽基线回环和重定位，并且提供全自动初始化。系统的核心设计是基于相同的特征用于跟踪、建图、重定位和回环，这使得系统高效、简单且可靠。ORB特征因其对视角和光照变化的鲁棒性而被采用，允许在不依赖GPU的情况下实现实时性能。系统在大环境下的实时运行能力归功于共视图的使用，跟踪和建图着重于局部共视区域，与全局地图尺寸无关。实时回环检测通过基于位姿图（本质图）的优化实现，而实时重定位则支持从跟踪失败中恢复位姿，并增强地图重用性。系统还引入了一种新的基于模型选择的自动且鲁棒的初始化过程，允许创建平面和非平面场景的初始化地图。一种针对地图点和关键帧选择的适者生存策略提高了跟踪的鲁棒性，并且减少了冗余关键帧，增强了长时间运行的能力。

       ORB-SLAM在广泛评估中证明了其优越性，特别是在室内和室外环境的主流公开数据集上的评估。与最先进的单目SLAM方法相比，ORB-SLAM实现了前所未有的性能。系统被设计为完整且可靠，提供了一种最高效、精确且易于实施的解决方案。出于造福SLAM社区的目的，源代码已公开，以便其他研究者和开发者能够利用和改进这一系统。演示视频和代码可以在项目网页上找到。

第四篇 ORB-SLAM2：一种单目、立体和 RGB-D 相机的开源 SLAM 系统

       本篇介绍了ORB-SLAM2，一个适用于单目、立体和RGB-D相机的开源SLAM系统。

       该系统具备地图重用、闭环和重新定位功能，可在各种环境中实现实时工作，包括小型手持室内序列、工业环境中的无人机飞行和城市周边的汽车行驶。

       ORB-SLAM2的后端基于具有单目和立体观察的捆绑调整，允许使用公制尺度进行准确的轨迹估计。

       系统还包含一个轻量级的定位模式，利用视觉里程计轨迹用于未建图的区域，并匹配允许零漂移定位的地图点。

       在个流行的公共序列上的评估显示，ORB-SLAM2的方法达到了最先进的精度，在大多数情况下是最准确的SLAM解决方案。

       本文提出了ORB-SLAM2，一个适用于单目、立体和RGB-D相机的开源SLAM系统。

       该系统具备地图重用、闭环和重新定位功能，可在各种环境中实现实时工作。

       ORB-SLAM2的后端基于具有单目和立体观察的捆绑调整，允许使用公制尺度进行准确的轨迹估计。

       系统还包含一个轻量级的定位模式，利用视觉里程计轨迹用于未建图的区域，并匹配允许零漂移定位的地图点。

       在个流行的公共序列上的评估显示，ORB-SLAM2的方法达到了最先进的精度，在大多数情况下是最准确的SLAM解决方案。

       本文提出了ORB-SLAM2，一个适用于单目、立体和RGB-D相机的开源SLAM系统。

       该系统具备地图重用、闭环和重新定位功能，可在各种环境中实现实时工作。

       ORB-SLAM2的后端基于具有单目和立体观察的捆绑调整，允许使用公制尺度进行准确的轨迹估计。

       系统还包含一个轻量级的定位模式，利用视觉里程计轨迹用于未建图的区域，并匹配允许零漂移定位的地图点。

       在个流行的公共序列上的评估显示，ORB-SLAM2的方法达到了最先进的精度，在大多数情况下是最准确的SLAM解决方案。

ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像

       为了便于在不同环境中部署和使用ORB-SLAM3，我尝试将ORBSLAM3及其依赖打包成Docker镜像。以下是构建过程的简要记录，可能存在技术上的不足，期待您的指正。

       1. 准备Docker环境

       首先，确保你的系统已经安装了Docker。如果镜像下载速度慢，可以考虑添加国内和国外的镜像加速器，重启Docker服务以应用更改。

       2. Dockerfile创建镜像

       使用Dockerfile构建镜像时，我开始了一个基础示例，但实际操作时，可能需要根据具体环境调整。例如，基础镜像FROM ubuntu:.，可以通过添加加速器解决下载问题。

       3. 构建镜像与测试

       在Dockerfile中，定义镜像名称和标签（如orbslam3:latest），然后在容器中定位到ORBSLAM3源代码，并进行功能测试。

       3. 直接容器启动方式

       除了Dockerfile，也可以通过拉取基础镜像创建容器，然后在容器中安装所需依赖，如cmake、ros等。在Ubuntu容器中，通过apt包管理器安装，例如opencv和Eigen，最后将ORBSLAM3源码添加到容器内。

       4. 镜像制作与发布

       所有依赖安装完毕后，使用docker commit命令将容器转化为镜像。镜像可以通过DockerHub发布，需要先注册账号，然后登录并使用docker push命令将镜像上传到公共仓库，以便他人下载使用。

       以上步骤记录了将ORBSLAM3打包成Docker镜像的基本流程，如有问题或优化建议，欢迎分享。