ORB-SLAM2 技术详解(3)-- 源码编译及TUM RGB-D数据集测试
目录
0. 摘要
1. ORB-SLAM2 简介
2. 安装依赖库
（1）安装Pangolin
（2）安装必要的依赖库
（3）安装OpenCV
（4）安装Eigen
（5）安装BLAS and LAPACK库
(1) BLAS: Basic Linear Algebra Subprograms
(2) LAPACK：Linear Algebra PACKage
3. 编译OEB_SLAM
4. 运行测试程序
4.1 TUM数据集格式简介：官网介绍https://vision.in.tum.de/data/datasets/rgbd-dataset/file_formats
4.2. RGB-D 测试实例, 按照要求下载数据集
4.3．TMU下载associate.py．
4.4．打开终端，进入到associate.py所在目录，
4.5 运行测试数据集效果
4.6 evo分析工具，orghttps://github.com/MichaelGrupp/evo/wiki/Plotting
0. 摘要
近段时间一直在学习高翔博士的《视觉SLAM十四讲》，学了以后发现自己欠缺的东西实在太多，好多都需要深入系统的学习。ORB-SLAM2是一套完整的SLAM方案，提供了单目，双目和RGB-D三种接口。它能够实现地图重用，回环检测和重新定位的功能。无论是在室内的小型手持设备，还是到工厂环境的无人机和城市里驾驶的汽车，ORB-SLAM2都能够在标准的CPU上进行实时工作。
ORB-SLAM2在后端上采用的是基于单目和双目的光束法平差优化（BA）的方式，这个方法允许米制比例尺的轨迹精确度评估。此外，ORB-SLAM2包含一个轻量级的定位模式，该模式能够在允许零点漂移的条件下，利用视觉里程计来追踪未建图的区域并且匹配特征点。 可以说，ORB_SLAM2是近几年SLAM的集大成者，它吸收了近几年monoslam领域的很多理论成果，比如逆深度的使用，g2o工具箱的优化等。而且以orb特征贯穿始终，从一开始的特征处理，匹配，以及用于回环的bag-of-words，词典，全用的是orb。缺点在于它的的建图部分只含有稀疏的map point，这不仅让最终建的图很难看，而且对于机器人下一步的应用会造成很大困难。
文章主要对ORB-SLAM2进行编译运行。以及下载TUM上的数据集。然后跑自己的数据集，以及利用笔记本摄像头进行测试。
1. ORB-SLAM2 简介
源码github地址：https://github.com/raulmur/ORB_SLAM2
2. 安装依赖库
参考：https://www.jianshu.com/p/e5672671fe26
（1）安装Pangolin
使用git命令进行下载 git clone https://github.com/stevenlovegrove/Pangolin.gitcd Pangolin
终端里输入：
mkdir build
cd build
sudo cmake ..
sudo make -j（建议不要使用make-j，使用make。如果用make-j是使用多处理器编译，可能造成死机）
（2）安装必要的依赖库
a、GLEW：
sudo apt-getinstall libglew-dev
b、Boost：
sudo apt-getinstall libboost-devlibboost-thread-devlibboost-filesystem-dev
c、Python2/Python3：
sudo apt-getinstall libpython2.7-dev
d、编译基础库
sudo apt-getinstall build-essential
（3）安装OpenCV
安装依赖：
a、编译器相关：
sudo apt-getinstall build-essential
b、必须依赖：
sudo apt-getinstall cmake git libgtk2.0-devpkg-config libavcodec-dev libavformat-dev libswscale-dev
c、可选安装：
sudo apt-getinstall python-devpython-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
安装OpenCV：
a、官网下载OpenCV 3.x.x forLinux下载地址，解压到Ubuntu中
b、进入OpenCV文件夹，配置工程
mkdir release
cd release
cmake -D CMAKE_BUILD_TYPE=RELEASE-D CMAKE_INSTALL_PREFIX=/usr/local .. -D BUILD_TIFF=ON
c、编译
make
sudo make install
（4）安装Eigen
下载Eigen下载地址，进入到在解压后的Eigen文件夹（例如eigen-eigen-07105f7124f9）下
编译：
mkdir build
cd build
cmake ..
安装：
make
sudo make install（5）安装BLAS and LAPACK库
sudo apt-getinstall libblas-dev
sudo apt-getinstall liblapack-dev
g2o需要BLAS和LAPACK
(1) BLAS: Basic Linear Algebra Subprograms
提供了基本的向量和矩阵操作：
- Level-1 BLAS: 支持 标量、向量、向量-向量 操作
- Level-2 BLAS: 支持 矩阵-向量 操作
- Level-3 BLAS: 支持 矩阵-矩阵 操作
(2) LAPACK：Linear Algebra PACKage
它调用BLAS来实现更高级的功能，支持以下操作：
- 解线性方程组
- 线性方程组的最小二乘解
- 特征值问题和奇异值问题
- 矩阵分解 (LU, Cholesky, QR, SVD, Schur, generalized Schur)
- 支持密集和带状矩阵，但不支持一般的稀疏矩阵
- 支持单精度和双精
DBoW2 and g2o (Included in Thirdparty folder)
ORB_SLAM2使用修改版的DBoW2 库进行位置识别 ，使用 g2o 库进行非线性优化. 这两个修改版的库被放在第三方文件夹内.
总的对于 opencv 和 eigen3,可以简单的用一行命令来解决:
sudo apt-get install libopencv-dev libeigen3-dev libqt4-dev qt4-qmake libqglviewer-dev libsuitesparse-dev libcxsparse3.1.2 libcholmod-dev 其中一部分是 g2o 的依赖项,不用太在意它的具体内容。至此,应该可以顺利编译 ORB-SLAM2 了
3. 编译OEB_SLAM
编译ORB_SLAM2库和例子程序(单目、双目和RGB-D)
cd ORB_SLAM2
chmod +x build.sh
./build.sh 生成的libORB_SLAM2.so位于lib目录下，可执行程序mono_tum, mono_kitti, rgbd_tum, stereo_kitti, mono_euroc and stereo_euroc位于Examples目录下。
到这里，如果小伙伴们不使用ROS的话，ORB_SLAM2其实已经可以正常使用了。但是如果要使用ROS的话，还要有几个步骤，第一个在～/.bashec中添加环境。
export ROS_PACKAGE_PATH=${ROS_PACKAGE_PATH}:PATH/ORB_SLAM2/Examples/ROS编译对应的ROS文件
chmod +x build_ros.sh
./build_ros.sh这样ORB_SLAM2其实已经全部编译好了。
注意：编译期间可能遇到各种错误，请查看本人博客总结：https://blog.csdn.net/hhaowang/article/details/104385286
4. 运行测试程序
参考：https://www.jianshu.com/p/f39bf76cfc61 ORB-SLAM2编译安装和USB摄像头例程运行
4.1 TUM数据集格式简介：官网介绍https://vision.in.tum.de/data/datasets/rgbd-dataset/file_formats
4.2. RGB-D 测试实例, 按照要求下载数据集
TMU https://vision.in.tum.de/data/datasets/rgbd-dataset/tools,下载的是fr1/xyz，将其解压到你喜欢的目录．我放在了~/TUM目录下面
4.3．TMU下载associate.py．
放在~/TUM数据集目录下面．
4.4．打开终端，进入到associate.py所在目录，
即~/TUM/rgbd_dataset_freiburg1_xyz，之后运行
python associate.py PATH_TO_SEQUENCE/rgb.txt PATH_TO_SEQUENCE/depth.txt > associations.txt
这里的PATH_TO_SEQUENCE 是指的下载数据集的目录~/TUM/rgbd_dataset_freiburg1_xyz里面有depth.txt 和 rgb.txt，将其替换至你的文件目录。
运行之后在该目录中将会生成一个associations.txt文件．
4.5 运行测试数据集效果
4.6 evo分析工具，orghttps://github.com/MichaelGrupp/evo/wiki/Plotting
evo可以评估两条轨迹的误差，主要有两个命令：
evo_ape：计算绝对位姿误差(absolute pose error)，用于整体评估整条轨迹的全局一致性；
evo_rpe：计算相对位姿误差(relative pose error)，用于评价轨迹局部的准确性。
这两个指令也支持evo_traj的可选参数，轨迹对齐-a与尺度缩放-s。完整指令如下：
evo_ape tum realTraj.txt estTraj.txt -a –s
