ORB-SLAM2 转
ORB-SLAM是西班牙Zaragoza大学的Raul Mur-Artal编写的视觉SLAM系统。他的论文“ORB-SLAM: a versatile andaccurate monocular SLAM system"发表在2015年的IEEE Trans. on Robotics上。开源代码包括前期的ORB-SLAM和后期的ORB-SLAM2。第一个版本主要用于单目SLAM，而第二个版本支持单目、双目和RGBD三种接口。
特点
ORB-SLAM是一个完整的SLAM系统，包括视觉里程计、跟踪、回环检测。它是一种完全基于稀疏特征点的单目SLAM系统，其核心是使用ORB（Orinted FAST and BRIEF）作为整个视觉SLAM中的核心特征。具体体现在几个方面：
- 提取和跟踪的特征点使用ORB。ORB特征的提取过程非常快，适合用于实时性强的系统。
- 回环检测使用词袋模型，其字典是一个大型的ORB字典。
- 接口丰富，支持单目、双目、RGBD多种传感器输入，编译时ROS可选，使得其应用十分轻便。代价是为了支持各种接 口，代码逻辑稍为复杂。
- 在PC机以30ms/帧的速度进行实时计算，但在嵌入式平台上表现不佳。
原理
ORB-SLAM整体流程如下图所示。
它主要有三个线程组成：跟踪、Local Mapping（又称小图）、Loop Closing（又称大图）。
跟踪
跟踪线程相当于一个视觉里程计，流程如下：
- 首先，对原始图像提取ORB特征并计算描述子。
- 根据特征描述，在图像间进行特征匹配。
- 根据匹配特征点估计相机运动。
- 根据关键帧判别准则，判断当前帧是否为关键帧。
相比于多数视觉SLAM中利用帧间运动大小来取关键帧的做法，ORB_SLAM的关键帧判别准则较为复杂。
1 实验目的
（1）配置ORB-SLAM环境并在真实环境运行
（2）了解工程实现的流程和框架
（3）熟悉在Ubuntu和ROS系统下的开发
2 实验环境
2.1 硬件
（1）惠普笔记本电脑，配置如下：
处理器：Intel® Core™ i5-7300HQ CPU @ 2.50GHz × 4
内存：8 GB
（2）传感器为罗技（Logitech）C170 网络摄像头，参数如下：
像素：130万；捕获幅面：1024*768；接口：USB 2.0
2.2 软件
（1）操作系统：Ubuntu 14.04
（2）软件平台：ROS indigo
3 实验步骤
3.1 首先安装必要的依赖
（1）更新apt库，更新软件列表
$ sudo apt-get update
（2）安装git，用于从Github上克隆项目到本地
$ sudo apt-get install git
（3）安装cmake，用于程序的编译
$ sudo apt-get install cmake
（4）安装Pangolin 作为可视化和用户界面
a. 安装依赖项
$ sudo apt-get install libglew-dev libpython2.7-dev
b. 从Github将项目下载到本地
$ git clone https://github.com/stevenlovegrove/Pangolin.git
c. 编译安装
$ cd Pangolin
$ mkdir build
$ cd build
$ cmake ..
$ make –j
$ sudo make install
（5）安装OpenCV ，用于处理图像和特征
要求版本最低为2.4.3，并在OpenCV 2.4.11和OpenCV 3.2上做了测试。
注意：这里的版本问题非常重要，不同的版本号可能会不兼容，会出现各种错误，只能重新编译，对没有经验的开发者还会花费大量的时间寻找错误和解决问题。
在本次实验中，我首次使用的OpenCV 3.2，但是最后出现了错误，改用OpenCV 2.4.11后成功。
a. 安装依赖项
[compiler]
sudo apt-get install build-essential
[required]
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
[optional]
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
b. 在OpenCV官网（http://opencv.org）下载OpenCV 2.4.11的source版本，然后解压到本地
c. 编译安装
$ cd ~/opencv
$ mkdir build
$ cd build
$ cmake -D CMAKE_BUILD_TYPE=Release –D CMAKE_INSTALL_PREFIX=/usr/local ..
$ make –j8
$ sudo make install
编译过程会花费较长时间，电脑CPU性能较低的建议不要使用make -j，容易卡死；CPU性能较高的可以使用make -jx，x代表线程，可加速编译。
（6）安装Eigen3，它是一个开源线性库，可进行矩阵运算
$ sudo apt-get install libeigen3-dev
（7）安装DBoW2和g2o
DBoW2是DBow库的改进版本，DBow库是一个开源的C++库，用于索引图像并将其转换为单词表示形式。
g2o是一个开源的C ++框架，用于优化基于图的非线性误差函数。
这两个库在ORB-SLAM2项目的第三方文件夹中，在此不单独编译，后续统一编译。
（8）安装ORB-SLAM2
a. 克隆仓库
$ git clone https://github.com/raulmur/ORB_SLAM2.git ORB_SLAM2
b. 编译ORB-SLAM2，第三方库中的DBoW2和g2o，并解压ORB词典
$ cd ORB_SLAM2
$ chmod +x build.sh
$ ./build.sh
3.2 单目例子
有TUM、KITTI、EuRoC三种数据集，本实验使用TUM数据集，从http://vision.in.tum.de/data/datasets/rgbd-dataset/download下载序列并解压缩。
$ ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUMX.yaml PATH_TO_SEQUENCE_FOLDER
其中PATH_TO_SEQUENCE_FOLDER为数据集的存储路径，并将tumx.yaml与下载的数据集对应，比如TUM1.yaml,TUM2.yaml 和TUM3.yaml 分别对应 freiburg1, freiburg2 和 freiburg3。
运行效果图如下所示，图中左侧窗口中的蓝色小方块为提取的图像ORB特征，右侧窗口显示了环境的稀疏地图和相机的运动轨迹。
公开数据集可以提供大量的数据，弥补数据的不足，即使没有RGB-D相机，也可以借助公开数据集的数据进行试验，当然工欲善其事必先利其器，不管做科研还是工程，硬件设备都是必须的；此外公开数据集还可作为算法性能对比的评价标准。
3.3 ROS例子
为了能够在线实时地运行ORB-SLAM2，需要借助ROS。关于ROS的安装，官网（http://wiki.ros.org/indigo/Installation/Ubuntu）有详细的安装教程，在此不再赘述。
本实验在上篇博客——摄像头图像信息的读取和显示的基础上进行开发，实现了摄像头数据的读取和显示，采集的图像数据可作为ORB-SLAM2系统的输入。
上篇博客创建了工作空间catkin_ws，将ORB-SLAM2项目移动到其子文件夹src下。
（1）将包含Examples/ROS/ORB_SLAM2的路径添加到ROS_PACKAGE_PATH环境变量中。打开.bashrc文件并在最后添加以下行。
export ROS_PACKAGE_PATH=${ROS_PACKAGE_PATH}:PATH/ORB_SLAM2/Examples/ROS
其中PATH为ORB-SLAM2项目所在路径，我的路径为/home/wb/catkin_ws/src。此外，还要在./bashrc文件写入
source /home/wb/catkin_ws/devel/setup.sh
最后在终端执行命令
source ./bashrc
（2）编译ROS下的ORB-SLAM2
ORB-SLAM默认订阅的话题为/camera/image_raw，而usb_cam节点发布的话题为/usb_cam/image_raw，因此需要在ros_mono.cc中修改订阅的话题，这点要特别注意。因为源文件的更改必须要重新编译，这非常耗时。
$ chmod +x build_ros.sh
$ ./build_ros.sh
（3）运行单目节点
运行单目节点前要先将摄像头接入电脑，然后启动usb_cam节点。
$ roslaunch usb_cam usb_cam-test.launc
$ rosrun ORB_SLAM2 Mono PATH_TO_VOCABULARY PATH_TO_SETTINGS_FILE
4 实验结果
启动单目节点后，首先要进行初始化，将相机左右平移直到图像提取出ORB特征点。然后手持相机在实验室空间中运动，ORB-SLAM2系统会以每秒30帧的速度对输入图像进行ORB特征提取，经过一系列运算，最后输出相机的运动轨迹和周围环境的稀疏地图。
注意
- 为了能够顺利地进行初始化，必须选择纹理丰富的场景，并使相机有一定的平移。
- 不能快速移动，最好保持匀速运动，保持当前帧与上一帧有足够数量的匹配的特征点，否则会跟踪失败。
- 跟踪失败后，应回到之前经过的场景，进行重定位。
- 电脑性能不能太低，保持电量充足。
我手持相机在实验室自己的工位附近运动了一段时间，最后运行效果图如下所示。
图中左侧窗口中的绿色小方块为提取的图像ORB特征，右侧窗口中的绿线代表相机的运动轨迹，蓝色方框代表相机运动过程中的空间位置（即关键帧），黑点和红点代表环境的稀疏地图（黑色代表历史路标，红色表示当前路标）。
5 总结
到这里，我可以编译运行诸如此类的开源项目了，虽然经历了各种报错的折磨，但是熟悉了Linux系统和ROS系统的操作、cmake、shell、OpenCV等等，为了能够自己进行开发，还需要更深入的学习。
作为初学者，从开源项目入手，学习其理论和工程实现，是入门的捷径，深入之后在其基础上做一定的改进。
然而工程实现只是科研的一部分，作为研究生，更重要的是抓住SLAM中的一个小问题，看看能否对现有的算法进行改进或者比较。所以还是要从论文出发，寻找灵感，去实现，并验证效果。
接下来还要很长的路要走，科研之路才刚刚开始。