相比于上一篇文章，这里我们将官方给的 rosbag 数据包替换为来自深度相机的实时数据。之所以选择 Intel RealSense 这款深度相机，仅仅是因为它是最容易买到的。。。在京东上搜“深度相机”，符合要求的几乎都是这个系列的。具体到 D435i 这个型号，它可以提供深度和 RGB 图像，而且带有 IMU，未来如果我们继续做视觉+惯导的 SLAM 也够用了。
深度相机 RealSense D435i 简介
参考：https://www.intelrealsense.com/depth-camera-d435i/
Intel 官方给出了非常详细的介绍，尤其是产品手册，几乎涵盖了用户需要（以及不需要）了解的全部信息。
这里把其中关于 D435i 的关键信息摘录出来，方便以后查阅。
硬件信息
- 最高 1280×720 双目深度分辨率
- 最高 1920×1080 RGB 分辨率
- 最高 90 FPS 深度视频流。深度流与普通 RGB 视频流类似，只不过每个像素点的值不再是 RGB 或灰度值，而是物体相对于相机的距离。
- 只能对相同帧率的 RGB 与深度视频流做同步设置
- 双目 baseline 为 50 mm
- 深度探测范围 0.2 m ~ 10 m
- 深度坐标系以左侧相机为中心（上图中 centerline of 1/4-20 是指三脚架螺丝空的中心）
- 内含一个 6 自由度的 IMU，对应刚体在三维空间中 6 种运动方式：前后、左右、上下的平移，以及绕刚体三个轴的旋转 —— 绕前后方向轴旋转 roll, 绕左右方向轴旋转 pitch, 绕上下方向轴旋转 yaw
测距原理
Interl RealSence D4×× 系列，包括 D435i，都是采用经典的双目视觉的方式测量深度。尽管具有红外投射器，但并不是采用红外反射测距。它的作用仅仅是投射不可见的固定的红外纹理样式，提高在纹理不明显的环境中（例如白墙）的深度计算精度，辅助双目视觉测距。左右两个相机将图像数据送入内置的深度处理器，在其中基于双目测距的原理计算每个像素的深度值。
下图显示的是红外投射在白纸上的纹理模式：
双目测距相机的参数
| Parameter | Camera Sensor Properties |
|---|---|
| Image Sensor | OmniVision OV9282 |
| Active Pixels | 1280 × 800 |
| Sensor Aspect Ratio | 8 ：5 |
| Format | 10-bit RAW |
| F Number | f / 2.0 |
| Focal Length | 1.93 mm |
| Filter Type | IR Cut - D420, None - D430, D435/D435i |
| Focus | Fixed |
| Shutter Type | Global Shutter |
| Signal Interface | MIPI CSI -2, 2× Lanes |
| Horizontal Field of View | 91.2° |
| Vertical Field of View | 65.5° |
| Diagonal Field of View | 100.6° |
| Baseline | 50 mm |
| Depth FOV HD | H:87±3，V:58±1，D:95±3 |
| Depth FOV VGA | H:75±3，V:62±1，D:89±3 |
| Distortion | <=1.5% |
红外投射器参数
| Parameter | Properties |
|---|---|
| Projector | Infrared |
| Pattern Type | Static |
| Illuminating Component | Vertical-cavity surface-emitting laser(VCSEL) + optics |
| Laser Controller | PWM |
| Optical Power | 360 mW average, 4.25 W peak |
| Laser Wavelength | 850 nm ± 10 nm nominal @20° |
| Laser Compliance | Class 1, IEC 60825-1:2007 Edition 2, IEC 60825-1:2014 Edition 3 |
| Horizontal Field of Projection | 90°± 3° |
| Vertical Field of Projection | 63°±3° |
| Diagonal Field of Projection | 99°±3° |
RGB 相机参数
| Parameter | Camera Sensor Properties |
|---|---|
| Image Sensor | OmniVision OV2740 |
| Color Image Signal Processor | Discrete |
| Active Pixels | 1920 × 1080 |
| Sensor Aspect Ratio | 16:9 |
| Format | 10-bit RAW RGB |
| F Number | f/2.0 |
| Focal Length | 1.88mm |
| Filter Type | IR Cut Filter |
| Focus | Fixed |
| Shutter Type | Rolling Shutter |
| Signal Interface | MIPI CSI-2, 1 Lane |
| Horizontal Field of View | 69.4° |
| Vertical Field of View | 42.5° |
| Diagonal Field of View | 77° |
| Distortion | <=1.5% |
深度图像分辨率与支持的帧率
| Resolution | Frame Rate（FPS） |
|---|---|
| 1280 × 720 | 6，15， 30 |
| 848 × 480 | 6，15，30，60，90 |
| 640 × 480 | 6，15，30，60，90 |
| 640 × 360 | 6，15，30，60，90 |
| 480 × 270 | 6，15，30，60，90 |
| 424 × 240 | 6，15，30，60，90 |
RGB图像分辨率与支持的帧率
| Resolution | Frame Rate（FPS） |
|---|---|
| 1920 × 1080 | 6，15，30 |
| 1280 × 720 | 6，15，30 |
| 960 × 540 | 6，15，30，60 |
| 848 × 480 | 6，15，30，60 |
| 640 × 480 | 6，15，30，60 |
| 640 × 360 | 6，15，30，60 |
| 424 × 240 | 6，15，30，60 |
| 320 × 240 | 6，30，60 |
| 320 × 180 | 6，30，60 |
IMU 参数
| Parameter | Properties |
|---|---|
| Degrees of Freedom | 6 |
| Acceleration Range | ±4g |
| Accelerometer Sample Rate | 62.5, 250 (Hz) |
| Gyroscope Range | ±1000 deg/s |
| Gyroscope Sample Rate | 200, 400(HZ) |
| Sample Timestamp Accuracy | 50 usec |
软件开发套装
Intel RealSense SDK 2.0 是跨平台的开发套装，包含了基本的相机使用工具如 realsense-viewer，也为二次开发提供了丰富的接口，包括 ROS，python , Matlab, node.js, LabVIEW, OpenCV, PCL, .NET 等。
在 Linux 系统中，开发工具库有两种安装方式，一种是安装预编译的 debian 包，另一种是从源码编译。
如果 Linux 内核版本为 4.4, 4.8, 4.10, 4.13, 4.15, 4.18* 5.0* and 5.3*，并且没有用户自定义的模块，最好选择安装预编译的 debian 包，方便很多。
通过如下命令查看 ubuntu kernel 版本
uname -r
显示结果为 5.0.0-23-generic，满足上述版本要求。我们选择安装预编译的 debian 包。
Ubuntu 下的安装步骤可以参考 https://github.com/IntelRealSense/librealsense/blob/master/doc/distribution_linux.md
具体步骤摘录如下（针对 Ubuntu 18.04）：
sudo apt-key adv --keyserver keys.gnupg.net --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE || sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE
sudo add-apt-repository "deb http://realsense-hw-public.s3.amazonaws.com/Debian/apt-repo bionic main" -u
sudo apt-get install librealsense2-dkms
sudo apt-get install librealsense2-utils
sudo apt-get install librealsense2-dev
sudo apt-get install librealsense2-dbg
然后就可以运行 realsense-viewer 查看相机的深度和 RGB 图像，以及 IMU 中的测量，如下图所示：
另外还需要查看一下
modinfo uvcvideo | grep "version:"
确认包含 realsense 字样，例如 version: 1.1.2.realsense-1.3.14。
再查看一下 dkms
dkms status
返回结果中包含类似 librealsense2-dkms, 1.3.14, 5.0.0-23-generic, x86_64: installed。
如果以上都没问题，说明 RealSense SDK 2.0 安装成功！
如果上述返回结果有误，则可能影响后续的运行。根据我们的经验，realsense-dkms 会选择/lib/modules 中的第一个 kernel 安装，如果系统中存在多个 kernel，而当前运行的 kernel 不是 /lib/modules 中的第一个 kernel，就可能出问题。
相机自动标定
Intel RealSense D4×× 系列相机从 Firmware version 5.12.02.100 开始加入了自标定功能，大大提高了相机标定的自动化程度，不再需要拿着标定板摆拍了。
详细操作可以查看这里。
简要流程：
- 将相机朝着纹理比较丰富的环境，不一定是平面
- 打开 realsense_viewer
- 将 "Stereo Module" 中的 “Emitter Enabled” 设置为 “Laser”
- 在 “More” 下拉菜单中选择 "On-Chip Calibration"
- 选择 "Calibrate"
- 查看 "Health-Check" 的数值， 一般小于 0.25 是可以接受的。
- 如果新的标定参数比之前的好，就 “Apply New” 将新的参数烧入 Firmware 中。
安装 ROS 中的 realsense 相关库
在本文中，我们的最终目的是将相机的深度和 RGB 数据发布到 ros topic 上，然后通过 ORB SLAM 2 进行点云建图。
这里就需要用到 ROS 的 realsense 库 ros-$ROS_VER-realsense2-camera。需要注意的是，这个 ROS 库并不依赖于 RealSense SDK 2.0，两者是完全独立的。因此，如果只是想在 ROS 中使用 realsense，并不需要先安装上边的 RealSense SDK 2.0。
安装步骤参考 https://github.com/IntelRealSense/realsense-ros。
具体命令如下（前提：已安装 ROS melodic 版本）：
sudo apt-get install ros-melodic-realsense2-camera
sudo apt-get install ros-melodic-realsense2-description
运行
包括两部分：
- 启动相机发布数据
- 启动 ORB SLAM2 程序
启动相机发布数据
在启动相机之前，我们需要设置一下 realsense2_camera rospack 中的 rs_camera.launch 的文件。
对于 ros launch 中各个参数的介绍可以参考这里。
在 rs_camera.launch 文件中确保以下两个参数为 true：
前者是让不同传感器数据（depth, RGB, IMU）实现时间同步，即具有相同的 timestamp;
后者会增加若干 rostopic，其中我们比较关心的是 /camera/aligned_depth_to_color/image_raw，这里的 depth 图像与 RGB 图像是对齐的，对比如下
然后就可以用如下命令启动相机了：
roslaunch realsense2_camera rs_camera.launch
部分 ros topic 如下：
/camera/accel/imu_info
/camera/accel/sample
/camera/aligned_depth_to_color/camera_info
/camera/aligned_depth_to_color/image_raw
/camera/aligned_depth_to_color/image_raw/compressed
/camera/aligned_depth_to_color/image_raw/compressed/parameter_descriptions
/camera/aligned_depth_to_color/image_raw/compressed/parameter_updates
/camera/aligned_depth_to_color/image_raw/compressedDepth
...
/camera/aligned_depth_to_infra1/camera_info
/camera/aligned_depth_to_infra1/image_raw
/camera/aligned_depth_to_infra1/image_raw/compressed
...
/camera/color/camera_info
/camera/color/image_raw
/camera/color/image_raw/compressed
/camera/color/image_raw/compressed/parameter_descriptions
/camera/color/image_raw/compressed/parameter_updates
...
/camera/depth/camera_info
/camera/depth/color/points
/camera/depth/image_rect_raw
/camera/depth/image_rect_raw/compressed
/camera/depth/image_rect_raw/compressed/parameter_descriptions
...
/camera/extrinsics/depth_to_color
/camera/extrinsics/depth_to_infra1
/camera/extrinsics/depth_to_infra2
/camera/gyro/imu_info
/camera/gyro/sample
/camera/infra1/camera_info
/camera/infra1/image_rect_raw
/camera/infra1/image_rect_raw/compressed
...
/camera/infra2/camera_info
/camera/infra2/image_rect_raw
/camera/infra2/image_rect_raw/compressed
/camera/infra2/image_rect_raw/compressed/parameter_descriptions
...
/tf
/tf_static
其中关键的是 /camera/color/image_raw 和 /camera/aligned_depth_to_color/image_raw 分别对应 RGB 图像和深度图像。基于这些数据，我们希望实现 ORB SLAM 2 + 点云建图的效果。
相比于采用 rosbag 数据包的 ORB SLAM 2，这里有以下几点修改：
- 修改 yaml 配置文件：里面包含了相机内参，可以通过 rostopic
/camera/color/camera_info获得。最终新的RealSense.ymal文件如下（每个相机的参数可能会有差别）：
#--------------------------------------------------------------------------------------------
# Camera calibration and distortion parameters (OpenCV)
Camera.fx: 920.2216186523438
Camera.fy: 918.2052612304688
Camera.cx: 648.8403930664062
Camera.cy: 363.62689208984375
Camera.k1: 0.0
Camera.k2: 0.0
Camera.p1: 0.0
Camera.p2: 0.0
Camera.k3: 0.0
Camera.width: 1280
Camera.height: 720
#Camera frames per second
Camera.fps: 30.0
#IR projector baseline times fx (aprox.)
Camera.bf: 46.01
#Color order of the images (0: BGR, 1: RGB. It is ignored if images are grayscale)
Camera.RGB: 1
#Close/Far threshold. Baseline times.
ThDepth: 40.0
#Deptmap values factor，将深度像素值转化为实际距离，原来单位是 mm，转化成 m
DepthMapFactor: 1000.0
#ORB Parameters
#--------------------------------------------------------------------------------------------
#ORB Extractor: Number of features per image
ORBextractor.nFeatures: 1000
#ORB Extractor: Scale factor between levels in the scale pyramid
ORBextractor.scaleFactor: 1.2
#ORB Extractor: Number of levels in the scale pyramid
ORBextractor.nLevels: 8
#ORB Extractor: Fast threshold
#Image is divided in a grid. At each cell FAST are extracted imposing a minimum response.
#Firstly we impose iniThFAST. If no corners are detected we impose a lower value minThFAST
#You can lower these values if your images have low contrast
ORBextractor.iniThFAST: 20
ORBextractor.minThFAST: 7
#--------------------------------------------------------------------------------------------
#Viewer Parameters
#--------------------------------------------------------------------------------------------
Viewer.KeyFrameSize: 0.05
Viewer.KeyFrameLineWidth: 1
Viewer.GraphLineWidth: 0.9
Viewer.PointSize:2
Viewer.CameraSize: 0.08
Viewer.CameraLineWidth: 3
Viewer.ViewpointX: 0
Viewer.ViewpointY: -0.7
Viewer.ViewpointZ: -1.8
Viewer.ViewpointF: 500
- 修改
pointcloudmapping.cc文件- 123 行附近修改如下：
voxel.setInputCloud( globalMap ); voxel.setLeafSize (0.02f, 0.02f, 0.02f); # 调节点云密度 voxel.filter( *tmp );- 73 行附近修改如下：
p.y = - ( m - kf->cy) * p.z / kf->fy; # 将原本颠倒的点云地图上下翻转，方便观察 p.r = color.ptr(m)[n*3]; # 修改颜色显示 p.g = color.ptr (m)[n*3+1]; p.b = color.ptr (m)[n*3+2];
做完以上修改，就可以按照前一篇文章中的步骤编译和运行 ORB SLAM 2 了，此时深度和 RGB 数据不再是来自 rosbag ，而是来自相机。
命令总结如下：
roscore
rosrun ORB_SLAM2 RGBD Vocabulary/ORBvoc.bin Examples/RGB-D/RealSense.yaml /camera/rgb/image_raw:=/camera/color/image_raw /camera/depth_registered/image_raw:=/camera/aligned_depth_to_color/image_raw
最终保存的点云地图效果如下：
总结
本文记录了基于深度相机 Intel RealSense D435i 实现 ORB SLAM 2 的过程，由于之前的文章（1，2）已经非常详细的记录了基于 rosbag 数据包的 ORB SLAM 2，本文的大部分内容是记录与深度相机相关的一些设置，方便自己以后查阅，也希望能帮到类似研究方向的其他读者。