文档介绍：ORB-SLAM2ORB-SLAM2:用于单目,双目和RGB-D相机的开源SLAM系统目录01背景02ORB-SLAM2主要贡献03双目SLAM和RGB-DSLAM发展状况及特点04系统框架05实验结果对比背景•视觉SLAM仅仅通过一个单目相机就能够完成,然而深度信息无法从单目相机中观测到;•由于不能从第一帧当中进行三角化,单目视觉SLAM系统的启动往往需要多视角或者滤波技术才能产生一个初始化的地图;•单目SLAM可能会造成尺度漂移(scaledrift),以及在探索中执行纯旋转(purerotations)的时候可能会失败。通过使用双目或者RGB-D相机将会解决这些问题,并且能够成为一种更加可靠的视觉SLAM的解决方案。ORB-SLAM2主要贡献•这是第一个基于单目,双目和RGB-D相机的开源SLAM方案,这个方案包括,闭环检测,重定位和地图重用;•基于RGB-D结果表明,光束平差法(BA)比基于迭代最近点(ICP)或者光度和深度误差最小等最先进的方法更加精确。•通过匹配远处和近处的双目点和单目观测,双目的实验结果比直接使用双目系统更加精确。•针对无法建图的情况,提出了一个轻量级(lightweight)的定位模式,能够更加有效的重用地图。双目SLAM(Stereo)发展状况:•最早双目SLAM系统是Paz等人,基于条件独立分割和克服扩展卡尔曼滤波SLAM,特点能够在大场景中运行,第一个使用近特征点和远特征点的双目SLAM系统,使用逆深度参数化进行估计;•Strasdat等人采用在关键帧的内部窗口和外部窗口的姿态图上执行BA联合优化。•Mei等人提出了(RSLAM),提出了在活跃区域执行BA相关优化,即使在全局一致性没有被执行时,也能够进行闭环,同时也会扩大回环两侧的活跃区域双目SLAM•Pire等人最近的S-PTAM运用了局部BA,但是,这种方法缺少大量的回环检测;•Engel等人最近的LSD-SLAM,是一种半稠密直接方法,对高梯度的图像区域中的光度误差最小化。优点:不依赖特征,能够在纹理不清(poorlytextured)或者运动模糊(motionblur)的环境中获得更高的鲁棒性。缺点:受滚动快门或者非朗伯反射的未建模效应影响而严重下降。双目SLAM•我们的双目SLAM工作:•对局部关键帧集采用BA优化;•当闭合一个回路时,我们的系统首先在回环的两端进行校准;•之后进行姿态图优化,通过全BA将回环产生的累积漂移最小化RGB-DSLAM发展状况:•最早RGB-be等人提出的KinectFusion,该方法将传感器的所有深度数据融合成一个体积稠密模型,该模型使用ICP算法来跟踪相机姿态。缺点:由于体积的表现形式和缺乏回环检测,只能工作在小的工作场所。•Whelan等人提出Kintinuous,能够在大环境中运行。通过使用滚动循环缓冲器和包括使用位置识别和姿态图优化的回环检测来完成。RGB-DSLAM•第一个流行的开源RGB-DSLAM是由Endres等人提出,基于特征的系统,前端采用提取和匹配特征点和ICP算法来计算帧与帧之间运动。后端采用闭环检测约束来执行姿态图优化。•Kerl等人提出DVO-SLAM,在关键帧与关键帧约束之间优化姿态图,这种约束通过视觉里程计计算最小化光度和深度误差来实现。•最近Whelan等人提出的ElasticFusion,建立在基于surfel的环境地图,一种以地图为中心(map-centric)的方法。忽略了姿态以及利用对地图的非刚性形变来执行回环检测,重建和定位的精度十分优秀。RGB-DSLAM•我们的RGB-DSLAM工作:•目标是长时间并且全局一致定位,而不是建立有很多细节的稠密地图;•后端是基于BA优化以及建立一个全局一致的稀疏地图重建;•更加轻量级,能够在标准的中央处理单元(CPUs)上面运行;