Ubuntu16.04中PL-SLAM编译运行、遇到的问题，保存轨迹并进行评价

前言

《PL-SLAM: a Stereo SLAM System through the Combination of Points and Line Segments》是点、线特征结合的双目视觉SLAM方法，该方法在少、弱纹理环境例如地面、墙面等，即使点特征稀少，也能够依赖线特征进行很好的工作。在视觉SLAM领域，是一项十分杰出的工作，并且作者开源了代码，开源代码工作效果很好。
开源代码地址：https://github.com/rubengooj/pl-slam/
文章地址：https://arxiv.org/abs/1705.09479

PL-SLAM配置

1、OpenCV 3.x.x +OpenCV_contrib 3.x.x

下载OpenCV3.x.x以及对应版本的contrib，编译安装。
OpenCV github:https://github.com/opencv/opencv
OpenCV_contrib github:https://github.com/opencv/opencv_contrib
本人用的是opencv.3.2.0+opencv_contrib3.2.0。

git clone https://github.com/opencv/opencv/tree/3.2.0
git clone https://github.com/opencv/opencv_contrib/tree/3.2.0
unzip opencv-3.2.0.zip
cd ~/opencv-3.2.0
git clone https://github.com/opencv/opencv_contrib/tree/3.2.0
unzip opencv_contrib-3.2.0.zip
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local -D OPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules/ ..
make -j8 #线程视电脑性能而定
sudo make install

2、Eigen3 (tested with 3.2.92)

http://eigen.tuxfamily.org
本人使用Eigen3.2.9
或者直接使用命令行安装：

$ sudo apt-get install libeigen3-dev

eigen3遇到了各种问题，之后会介绍如何解决。

3、Boost

$ sudo apt-get install libboost-dev

4、g2o - General Graph Optimization

https://github.com/RainerKuemmerle/g2o.git

5、YAML (tested with 0.5.2)

sudo apt-get install libyaml-cpp-dev

6、stvo-pl

https://github.com/rubengooj/stvo-pl
这个也是作者的项目，必须要安装，将stvo-pl放到pl-slam的同级目录下，pl-slam的CMakeLists.txt中可以配置stvo-pl的位置，安装步骤按照项目GitHub中README.md。

7、MRPT

建议安装作者建议的版本：
https://github.com/MRPT/mrpt/tree/0c3d605c3cbf5f2ffb8137089e43ebdae5a55de3

8、line_descriptor

We have modified the line_descriptor module from the OpenCV/contrib library (both BSD) which is included in the 3rdparty folder.
这里在后面的脚本build.sh会一并安装。

编译

cd ~/pl-slam
./build.sh

运行

将数据集文件夹路径添加到~/.bashrc中：

gedit ~/.bashrc
export DATASETS_DIR=~/Datasets
source ~/.bashrc

下载相应数据集，比如下载KITTI 05 数据集放在Datasets文件夹中的kitti文件夹，将 /pl-slam/config/dataset_params/kitti04-10.yaml 复制到 05 文件夹下，重命名 dataset_params.yaml。
将 pl-slam/config/config/config_kitti.yaml中 vocabulary_p 和 vocabulary_l 路径改为自己的。
运行：

   ./plslam_dataset  [options]
eg ./plslam_dataset kitti/05 [options]

Options:
-c Config file
-o Offset (number of frames to skip in the dataset directory
-n Number of frames to process the sequence
-s Parameter to skip s-1 frames (default 1)
A full command would be:

./plslam_dataset kitti/00 -c ../config/config_kitti.yaml -o 100 -s 2 -n 1000

where we are processing the sequence 00 from the KITTI dataset (in our dataset folders) with the custom config file, with an offset -c allowing to skip the first 100 images, a parameter -s to consider only one every 2 images, and a parameter -n to only consider 1000 input pairs.
如果想要用自己的数据集也按照如上方式，本人用的ZED双目摄像头采集双目影像数据，用matlab相机标定工具进行参数标定，将dataset_params.yaml 中相应参数换为自己标定的相机参数。
运行结果截图如下：

遇到的问题

1、eigen3相关报了许多错，无论怎么修改按照相应版本eigen3均无效，可能是电脑太多东西，相关依赖环境有点乱。直接在usr/中将带有eigen3字样的文件夹删除，之后重新安装eigen3.2.9，问题解决。
2、报无法找到错误，解决方法：

    cd /usr/local/include
    sudo ln -sf eigen3/Eigen Eigen
    sudo ln -sf eigen3/unsupported unsupported

3、
报错：

/usr/bin/ld:cannot find -lg2o_ext_csparse 
 collect2: error :ld return 1 exit status

解决方法：

 cd /usr/local/lib
 sudo ln -sv libg2o_csparse_extension.so libg2o_ext_csparse.so

4、编译时g2o，mrpt等找不到
本人直接在Cmakelist.txt中set相关的路径
set(CMAKE_MODULE_PATH “pl-slam/g2o/cmake_modules”)
set(OpenCV_DIR “opencv-3.2.0/build”)
SET(MRPT_DIR “mrpt-0c3d605c3cbf5f2ffb8137089e43ebdae5a55de3/build”)

轨迹保存

这部分PL-SLAM中作者并未给出，需要自己编写，本人对源代码进行了改写，将轨迹保存成txt格式输出，因为本文使用的SLAM评价工具为evo，evo中有规定相应的格式，可以按要求来，本文以Euroc数据集为例。
另外助于Euroc数据集有几个序列数据cam0和cam1的影像数量不对应，会报错：

将对应序列里面多出来的影像移出即可，有如下序列需要修改：
MH-04数据集中左右影像数目不对应，cam0/data左边影像最后多1张。
V1-02数据集中左右影像数目不对应，cam1/data右边影像最后多1张。
V2-03数据集中左右影像数目不对应，cam1/data右边影像最后多414张。

误差计算

Euroc数据集在evo中采用的格式为TUM trajectory file格式，txt文件中每行分别为:timestamp,x,y,z四元数表示的角度，PL-SLAM中输出的旋转角度为欧拉角yaw-pitch-roll，转化为四元数时需要注意，groundtruth为相应Euroc数据集中state_groundtruth_estimate0文件夹中的data.csv。本文计算 relative pose error：

evo_rpe euroc data.csv CameraTrajectory.txt 

其他数据集和其他种误差计算类似，evo中还有许多功能，比如可视化显示轨迹、可视化比较等，感兴趣的读者可以尝试。
本人在全部Euroc数据集中对PL-SLAM进行了误差分析，结果来看PL-SLAM总体表现很好，明显优于ORB-SLAM等基于点特征的SLAM方法。