ORB-SLAM3整体流程详解-电子发烧友网

0. 简介

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

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 改进代码

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.高翔实现的添加稠密点云地图

3.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.双目VIO版本，加入了LK光流和滑动窗口BA优化

5.VI-ORB-SLAM2

6.添加了支持鱼眼

7.添加保存和导入地图功能

8.添加保存和导入地图功能

9.添加了地图可视化

11.添加了点线融合

12.使用了一种更好的特征选择方法

13.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.用YOLO v3的语义信息来增加跟踪性能

16.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.ORB-SLAM2在unity中仿真

18.ORB-SLAM2使用CUDA加速

19.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.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.将激光雷达数据集成到ORB-SLAM3中

23.在ORB-SLAM3中使用深度学习YOLOv3

24.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

25.一种基于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::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 img0Buf;
  std::mutex mBufMutex;


  ORB_SLAM3::System* mpSLAM;
  ImuGrabber *mpImuGb;


  const bool mbClahe;
  cv::Ptr 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 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::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::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。