史上最全DSO学习资料

作者：董岩

Date：2020-04-10

来源：史上最全DSO学习资料

DSO（Direct Sparse Odometry）是一种视觉里程计方法。在SLAM领域，DSO属于稀疏直接法，速度和精度超过了当时传统的特征点法。本文整理了网上一些关于DSO的资料，配合相关论文，可以对DSO做由浅入深地学习。

1. 整体介绍

（高翔）DSO详解：https://zhuanlan.zhihu.com/p/29177540

DSO整体上有个大概的了解，比较全面，且没有过多深入细节。

（贺一家）DSO初探：https://blog.csdn.net/heyijia0327/article/details/53173146

主要从DSO代码的运行上进行了相关的介绍

2. 零空间与尺度漂移

（古路）SLAM中的零空间问题：https://blog.csdn.net/fb_941219/article/details/100279527简单介绍了客观性与零空间

（林突破）零空间与尺度漂移：https://blog.csdn.net/xxxlinttp/article/details/100080080

直观上解释了为什么会漂移，以及解决办法

（无人的回忆）DSO零空间的计算与推导https://blog.csdn.net/wubaobao1993/article/details/105106301/

对上面一些博客的一个整理，内容比较丰富。虽然有些数学部分不是很严格，但第一次看到尝试从数学角度去解释这个问题，很棒。

3. 滑窗优化，边缘化与FEJ

（无人的回忆）DSO窗口优化：https://blog.csdn.net/wubaobao1993/article/details/104343866

从代码流程上串了一下窗口优化的过程，可以认真读一读

jinge TU：windowed optimization代码(1)：https://www.cnblogs.com/JingeTU/p/8395046.html

jinge TU：windowed optimization代码(2)：https://www.cnblogs.com/JingeTU/p/8586163.html

jinge TU：windowed optimization代码(3)：https://www.cnblogs.com/JingeTU/p/8586172.html

jinge TU：windowed optimization代码(4)：https://www.cnblogs.com/JingeTU/p/9157620.html

金戈大佬做的滑窗优化部分详细的代码，有数学有代码，非常细致，深入研究时参考。

（贺一家）DSO中的Windowed optimization：https://blog.csdn.net/heyijia0327/article/details/53707261

详细介绍滑窗优化相关技术

（贺一家）SLAM中的marginalization 和 Schur complement：https://blog.csdn.net/heyijia0327/article/details/52822104

介绍了滑窗中边缘化和FEJ相关问题，内容非常全，想深入研究可以参考最后列举的参考文献

知乎关于FEJ的讨论：https://www.zhihu.com/question/52869487/answer/132517493

4. 光度误差求导

光度误差推导的文章有很多，这两篇推导大同小异，参考一篇即可。

（jinge TU）直接法光度误差倒数推导：https://www.cnblogs.com/JingeTU/p/8203606.html

（林突破）DSO初始化：https://blog.csdn.net/xxxlinttp/article/details/89379785

5. 其他

（jinge TU）代码框架https://www.cnblogs.com/JingeTU/p/8329780.html

DSO代码简单的流程，说的很清楚了。

DSO代码阅读：https://x007dwd.github.io/2017/02/28/dso-slam/

上面有些链接附带了部分的代码，这个较为综合

DSO之光度标定：https://www.cnblogs.com/luyb/p/6077478.html

光度标定的基本内容，个人感觉直接去看文献也比较直观好理解

参考文献

1. DSO论文：Direct Sparse Odometry

2. 光度标定论文：Online Photometric Calibration of Auto Exposure Video for RealtimeVisual Odometry and SLAM

3. 关键帧优化：Keyframe-Based Visual-Inertial SLAM Using Nonlinear Optimization

4. FEJ一致性，推荐一读：A First-Estimates Jacobian EKF for Improving SLAM Consistency

5. 关键帧与地图点边缘化：Decoupled, Consistent Node Removal and Edge Sparsification forGraph-based SLAM

6. 介绍了边缘化中先验信息转移，推荐一读：Sliding window filter with application to planetary landing

 

微信公众号后台回复关键字：DSO,即可获得打包好的DSO学习资料。