【ORB-SLAM2：一、 简介】

server/2025/1/20 7:08:57/

ORB-SLAM2 是一种开源的、实时的基于特征的视觉 SLAM 系统，由 Raúl Mur-Artal 等人于 2017 年提出。它是 ORB-SLAM 的升级版本，支持单目、双目和 RGB-D 三种模式，能够实现高精度的相机定位和稠密环境的稀疏地图构建。ORB-SLAM2 的广泛应用和卓越性能使其成为视觉 SLAM 领域的重要基准。

1.1 ORB-SLAM2 的特点

高精度的定位能力

ORB-SLAM2 利用 ORB（Oriented FAST and Rotated BRIEF）特征点进行环境感知和相机定位。这种特征点不仅计算高效，而且对光照和视角变化具有鲁棒性。与传统方法相比，ORB 特征能够显著提高系统在动态和复杂环境中的定位精度。

多传感器支持

ORB-SLAM2 支持单目、双目和 RGB-D 三种输入模式：

  1. 单目模式：通过多视角恢复深度信息，构建稀疏地图。
  2. 双目模式：利用双目相机的立体匹配直接获取深度信息。
  3. RGB-D 模式：结合彩色图像和深度图数据，提高建图效率。

闭环检测和全局优化

ORB-SLAM2 引入了强大的闭环检测模块，能够检测到已访问过的区域，并利用全局优化（如回环约束）消除漂移。这一功能显著提高了系统的长期鲁棒性和地图的全局一致性。

模块化设计

ORB-SLAM2 的代码结构清晰，功能模块化，包括特征提取、局部建图、回环检测和全局优化等模块。这种设计便于开发者在其基础上进行扩展和改进。

高效性

通过优化的多线程架构，ORB-SLAM2 实现了实时的性能。其计算效率足以满足大规模场景的应用需求。

开源与社区支持

ORB-SLAM2 在开源平台 GitHub 上提供代码、文档和示例，拥有活跃的用户和开发者社区，这为其快速推广和改进奠定了基础。

1.2 算法流程框架

ORB-SLAM2 的算法框架主要分为三个线程：跟踪（Tracking）、局部建图（Local Mapping）和回环检测（Loop Closing）。这些线程相互配合，完成相机定位和稀疏地图构建。

1.2.1 跟踪（Tracking）

  1. 初始化：

    • 单目模式下，ORB-SLAM2 会在前几帧中寻找匹配点并初始化相机位姿。
    • 双目和 RGB-D 模式则直接利用深度信息进行初始化。

  2. 特征提取与匹配：

    • 使用 ORB 特征提取关键点并进行描述符匹配。
    • 通过投影模型和 RANSAC 方法剔除误匹配点。

  3. 位姿估计：

    • 采用 PnP 算法或直接法优化相机位姿。
    • 通过优化减少漂移。

  4. 关键帧选择：

    • 根据视差变化和跟踪质量，判断是否生成新的关键帧。

1.2.2 局部建图（Local Mapping）

  1. 地图点三角化：

    • 在单目模式下，通过三角测量恢复稀疏地图点。
    • 在双目和 RGB-D 模式下直接利用深度数据生成地图点。

  2. 局部优化：

    • 利用局部 BA（Bundle Adjustment, 捆绑调整）优化相机位姿和地图点位置。
    • 剔除不可靠的地图点。

  3. 关键帧连接：

    • 在新关键帧与现有地图中找到相关关键帧并建立连接。

1.2.3 回环检测（Loop Closing）

  1. 检测已访问区域：

    • 使用词袋模型（BoW）快速匹配历史关键帧，检测是否回到已访问过的区域。

  2. 回环优化：

    • 在检测到回环后，通过全局 BA 优化整个地图的相机位姿和点云结构。

  3. 地图更新：

    • 消除漂移，确保全局一致性。

1.3 详细安装教程

1.3.1 环境要求

  1. 操作系统：Linux（推荐 Ubuntu 20.04）。
  2. 依赖库：
    • C++11 编译器。
    • OpenCV（>= 3.0）。
    • Pangolin（用于可视化）。
    • Eigen（线性代数库）。
    • DBoW2（词袋模型库）。

1.3.2 安装步骤

  1. 下载代码：

    git clone https://github.com/raulmur/ORB_SLAM2.git
cd ORB_SLAM2

  2. 编译依赖库：

    cd Thirdparty/DBoW2
mkdir build
cd build
cmake ..
make

    对 Pangolin 和 g2o 依赖库重复上述步骤。

  3. 编译 ORB-SLAM2：

    cd ORB_SLAM2
mkdir build
cd build
cmake ..
make -j

  4. 运行示例：

    • 单目模式：

      ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml PATH_TO_SEQUENCE_FOLDER

    • 双目模式：

      ./Examples/Stereo/stereo_kitti Vocabulary/ORBvoc.txt Examples/Stereo/KITTI00-02.yaml PATH_TO_SEQUENCE_FOLDER

1.3.3 常见问题及解决方法

  • 问题 1：缺少依赖库
    确保已安装所有必要库，并配置正确的环境变量。
  • 问题 2：运行崩溃
    检查输入数据集路径和参数配置文件是否正确。

1.4 TUM 数据集介绍及使用

TUM（Technical University of Munich）数据集是视觉 SLAM 和视觉惯性 SLAM 研究的重要基准数据集。其特点包括多样性、高精度的位姿标定和开放性。

1.4.1 数据集结构

  1. 场景类型：

    • 静态场景：如室内办公室。
    • 动态场景：包含运动物体的人类活动场景。

  2. 数据格式：

    • 彩色图像序列。
    • 深度图（对于 RGB-D 模式）。
    • 地面真值（提供高精度的相机位姿数据）。

  3. 标定文件：

    • 包含相机内参和外参信息。

1.4.2 使用方法

  1. 下载数据集： 从 TUM 官方网站获取 RGB-D 数据集。

  2. 配置 ORB-SLAM2 参数文件： 修改相机内参（如焦距、畸变系数）以匹配 TUM 数据集。

  3. 运行实验： 在终端运行相应模式的脚本，观察系统性能。

1.5 可视化运行效果解析

  • ORB-SLAM2 提供了强大的可视化工具，能够实时显示相机轨迹、关键帧位置和稀疏地图点。通过这些可视化信息，用户可以评估系统性能。在这里插入图片描述
  • 不同颜色地图点的含义解析
    • 红色点表示参考地图点，其实就是tracking里的local mappoints
    • 黑色点表示所有地图点，红色点属于黑色点的一部分

1.6 变量命名规范

在 ORB-SLAM2 的代码中，变量的命名具有一定的规律和风格。理解这些命名规范不仅能够帮助开发者快速上手代码，还能使代码的扩展和调试更加高效。在本节中，将详细分析 ORB-SLAM2 中的变量命名规则、常见命名习惯以及代码模块中的关键变量含义。

1.6.1 命名规则概述

ORB-SLAM2 采用了清晰的变量命名规则，主要遵循以下原则：

  1. 前缀标识变量类型：通过变量名前缀可以快速了解变量的作用范围和类型。例如：
    • m：表示成员变量（member variables）。
    • v：表示向量（vector）。
    • p：表示指针（pointer）。
    • n：表示计数变量（number）。
  2. 驼峰命名法：多单词组合的变量名采用驼峰式写法，例如 mCurrentFrame。
  3. 模块化命名：变量名称通常包含模块或功能的提示。例如，跟踪模块中的变量通常以 mTrack 开头，建图模块以 mMap 开头。

1.6.2 变量命名规则分类解析

1.6.2.1 成员变量（m）

成员变量（member variables）以 m 为前缀，用于表示类的成员属性。例如：

  • mK：相机内参矩阵。
  • mTcw：相机的世界坐标系位姿矩阵。
  • mCurrentFrame：当前帧对象。
  • mvpMapPoints：地图点指针列表。

1.6.2.2 指针变量（p）

指针变量以 p 为前缀，表示变量存储的是一个内存地址或指针。例如：

  • mpMap：指向地图对象的指针。
  • mpKeyFrameDB：指向关键帧数据库的指针。
  • mpORBextractor：指向 ORB 特征提取器的指针。

1.6.2.3 容器变量（v）

容器变量以 v 为前缀，通常用于存储一组数据，例如向量或数组。例如：

  • mvKeys：存储图像中的 ORB 关键点。
  • mvMapPoints：存储当前帧中可见的地图点。
  • mvbOutlier：存储地图点是否为外点的布尔数组。

1.6.2.4 临时变量（t）

临时变量常用于函数内部，通常没有特殊前缀。例如：

  • tvec：表示平移向量。
  • rvec：表示旋转向量。

1.6.2.5 计数器变量（n）

计数器变量以 n 为前缀，用于记录数量。例如：

  • nNextKFID：下一个关键帧的 ID。
  • nMatches：匹配点的数量。

1.6.3 各模块中的关键变量

为了更好地理解变量命名规范，可以结合 ORB-SLAM2 的主要模块分析常见变量的具体含义。

1.6.3.1 跟踪模块中的关键变量

跟踪模块负责定位相机的当前位姿，并将跟踪结果传递到后续模块中。主要变量包括：

  • mCurrentFrame：当前处理的帧，包含图像信息、关键点、描述符和与地图点的关联关系。
  • mLastFrame：上一帧，用于跟踪当前帧与上一帧之间的匹配关系。
  • mVelocity：相机运动速度，用于帧间预测。
  • mnMatchesInliers：跟踪过程中内点匹配的数量，用于判断跟踪质量。

1.6.3.2 局部建图模块中的关键变量

局部建图模块主要负责地图的增量更新。关键变量包括：

  • mpLocalMapper：局部建图线程的指针。
  • mvpLocalMapPoints：当前帧附近的局部地图点集合。
  • mvpKeyFrames：当前地图中所有关键帧的列表。

1.6.3.3 回环检测模块中的关键变量

回环检测模块负责发现相机经过的已知区域，并通过优化消除漂移。关键变量包括：

  • mpKeyFrameDB：存储关键帧的词袋模型数据库。
  • mvpLoopCandidates：存储回环检测的候选关键帧。
  • mScw：闭环修正后的位姿变换矩阵。

1.6.4 变量命名规范的优点

ORB-SLAM2 的变量命名规范具有以下优点：

  1. 代码可读性强：通过变量名可以快速了解其用途和类型。
  2. 模块划分清晰：不同功能模块的变量命名具有显著区分，便于理解代码逻辑。
  3. 易于维护和扩展：统一的命名风格降低了理解和修改代码的门槛。

1.6.5 示例代码解析

以下是 ORB-SLAM2 中部分代码的变量命名示例：

// Tracking 类中的部分变量
Frame mCurrentFrame;           // 当前帧
Frame mLastFrame;              // 上一帧
cv::Mat mK;                    // 相机内参矩阵
cv::Mat mDistCoef;             // 畸变系数
cv::Mat mTcw;                  // 当前帧到世界坐标系的位姿
vector<MapPoint*> mvpMapPoints; // 当前帧中的地图点

通过这些变量，可以清晰地了解跟踪模块中的数据流和功能。

1.6.6 进一步优化建议

尽管 ORB-SLAM2 的变量命名已经相对规范，但在代码中仍存在一些改进空间：

  1. 补充详细注释：对于功能复杂的变量，建议添加注释说明其具体用途。
  2. 避免缩写混乱：一些变量名缩写可能对初学者不够友好，例如 mTcw 可改为 mTransformCamToWorld。
  3. 引入命名空间：将不同模块的变量归类到对应的命名空间中，进一步增强代码的可维护性。

总结来看，ORB-SLAM2 的变量命名规范为理解和扩展代码提供了极大的便利。熟悉这些命名规则，结合实际代码运行，可以更高效地掌握其核心实现逻辑。


http://www.ppmy.cn/server/159823.html

相关文章

使用 `scanpy` 观察 `AnnData` 对象内部数据结构

使用 `scanpy` 观察 `AnnData` 对象内部数据结构

以下是使用 scanpy 观察 AnnData 对象内部数据结构的步骤： 一、导入必要的库： import scanpy as sc二、读取 AnnData 对象： 假设你的 AnnData 对象存储在一个文件中，例如 adata.h5ad，你可以使用以下代码读取它： adata = sc.read(adata.h5ad)如果你已经有了 adata 对象…
阅读更多...
JAVA实战开源项目：图书个性化推荐系统(Vue+SpringBoot) 附源码

JAVA实战开源项目：图书个性化推荐系统(Vue+SpringBoot) 附源码

本文项目编号 T 015 &#xff0c;文末自助获取源码 \color{red}{T015&#xff0c;文末自助获取源码} T015&#xff0c;文末自助获取源码 目录 一、系统介绍1.1 业务分析1.2 用例设计1.3 时序设计 二、演示录屏三、启动教程四、功能截图五、文案资料5.1 选题背景5.2 国内外研究…
阅读更多...
新星杯-ESP32智能硬件开发--ESP32开发环境

新星杯-ESP32智能硬件开发--ESP32开发环境

本博文内容导读&#x1f4d5;&#x1f389;&#x1f525; 1、ESP32系统的集成开发环境 2、ESP32官方开发环境、ESP-IDF的安装和运行 3、Visual Studio Code、Arduino、MicroPython开发环境在ESP32开发板上的开发方法、 MicroPython开发工具。 开发ESP32程序的软、硬件资源&am…
阅读更多...
【Golang 面试题】每日 3 题（三十六）

【Golang 面试题】每日 3 题（三十六）

✍个人博客&#xff1a;Pandaconda-CSDN博客 &#x1f4e3;专栏地址&#xff1a;http://t.csdnimg.cn/UWz06 &#x1f4da;专栏简介&#xff1a;在这个专栏中&#xff0c;我将会分享 Golang 面试中常见的面试题给大家~ ❤️如果有收获的话&#xff0c;欢迎点赞&#x1f44d;收藏…
阅读更多...
【C++课程学习】：C++中的IO流（istream，iostream，fstream，sstream）

【C++课程学习】：C++中的IO流（istream，iostream，fstream，sstream）

&#x1f381;个人主页&#xff1a;我们的五年 &#x1f50d;系列专栏&#xff1a;C课程学习 &#x1f389;欢迎大家点赞&#x1f44d;评论&#x1f4dd;收藏⭐文章 C学习笔记&#xff1a; https://blog.csdn.net/djdjiejsn/category_12682189.html 前言&#xff1a; 在C语…
阅读更多...
Java开发提效秘籍：巧用Apache Commons IO工具库

Java开发提效秘籍：巧用Apache Commons IO工具库

一、引言 在 Java 开发的广袤领域中&#xff0c;输入输出&#xff08;I/O&#xff09;操作宛如一座桥梁&#xff0c;连接着程序与外部世界&#xff0c;从文件的读取与写入&#xff0c;到网络数据的传输&#xff0c;I/O 操作无处不在&#xff0c;其重要性不言而喻。然而&#xf…
阅读更多...
使用 Java 实现基于 DFA 算法的敏感词检测

使用 Java 实现基于 DFA 算法的敏感词检测

使用 Java 实现基于 DFA 算法的敏感词检测 1. 引言 敏感词检测在内容审核、信息过滤等领域有着广泛的应用。本文将介绍如何使用 DFA&#xff08;Deterministic Finite Automaton&#xff0c;确定有限状态自动机&#xff09; 算法&#xff0c;在 Java 中实现高效的敏感词检测。…
阅读更多...
Linux提权-02 sudo提权

Linux提权-02 sudo提权

文章目录 1. sudo 提权原理1.1 原理1.2 sudo文件配置 2. 提权利用方式2.1 sudo权限分配不当2.2 sudo脚本篡改2.3 sudo脚本参数利用2.4 sudo绕过路径执行2.5 sudo LD_PRELOAD环境变量2.6 sudo caching2.7 sudo令牌进程注入 3. 参考 1. sudo 提权原理 1.1 原理 sudo是一个用于在…
阅读更多...
最新文章

Copyright @ 2022~2023