ORB-SLAM系列算法相关介绍（综合版）
一、参考资料
ORB-SLAM2详解（一）简介
（公开课）视觉SLAM原理与ORB-SLAM3系列算法
二、相关介绍
1. ORB简介
ORB指的是一种旋转不变性特征。
2. ORB-SLAM系列算法的演进
三、ORB-SLAM
论文：ORB-SLAM: A Versatile and Accurate Monocular SLAM System
github代码仓库：ORB-SLAM
ORB-SLAM官网：ORB-SLAM
1. ORB_SLAM简介
2015年，Raul Mur-Artal等人提出了一个基于特征点的稀疏建图系统ORB_SLAM，整个系统是基于ORB特征实现的。ORB-SLAM也是实时的单目SLAM系统，在大规模的、小规模的、室内室外的环境都可以运行。该系统对剧烈运动也很鲁棒，支持宽基线的闭环检测和重定位，包括全自动初始化。
最新的ORB_SLAM的进展是基于ORB_SLAM的关键帧做了半稠密场景重建，新的研究成果可持续关注 ORB-SLAM 项目主页。
2. ORB-SLAM系统架构
从ORB-SLAM系统架构中可以看出，ORB-SLAM主要分为三个线程进行，分别是Tracking、LocalMapping、LoopClosing。ORB-SLAM2的工程非常清晰漂亮，三个线程分别存放在对应的三个文件中，分别是 Tracking.cpp、LocalMapping.cpp 和 LoopClosing.cpp 文件。
3. ORB-SLAM三个线程
3.1 跟踪（Tracking）
这部分主要工作是，从图像中提取ORB特征，根据上一帧进行姿态估计，或者进行通过全局重定位初始化位姿，然后跟踪已经重建的局部地图，优化位姿，再根据一些规则确定新的关键帧。
3.2 建图（LocalMapping）
这部分主要完成局部地图构建。包括对关键帧的插入，验证最近生成的地图点并进行筛选，然后生成新的地图点，使用局部捆集调整（Local BA），最后再对插入的关键帧进行筛选，去除多余的关键帧。
3.3 回环检测（LoopClosing）
这部分主要分为两个过程，分别是回环检测和回环矫正。回环检测先使用WOB进行探测，然后通过 Sim3算法 计算相似变换；回环矫正，主要是回环融合和 Essential Graph 的图优化。
四、ORB-SLAM2
论文：ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras
github代码仓库：ORB-SLAM2
CSDN专栏：ORB SLAM2
CSDN专栏：SLAM
CSDN专栏：视觉SLAM
1. ORB-SLAM2简介
2017年，在ORB-SLAM的基础上，Raul Mur-Artal等人提出了改进版本的ORB-SLAM，它从单目相机扩展到双目和RGB-D相机。ORB-SLAM2利用远关键点和近关键点，在使用双目相机时提高算法的准确率。
ORB-SLAM2是一套完整的SLAM方案，它能够实现地图重用、回环检测和重新定位的功能。ORB-SLAM2在后端上采用基于单目和双目的 光束法平差优化（BA）的方法，该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。
2. ORB-SLAM2系统架构
3. ORB-SLAM2的不足
遇到弱纹理（例如：白墙）的情况下，ORB-SLAM2提取的特征不足，导致跟踪丢失。
五、ORB-SLAM-VI
1. ORB-SLAM-VI简介
2017年， 在ORB-SLAM的基础上，Raul Mur-Artal等人提出了新的紧耦合视觉-惯性ORB-SLAM-VI系统，加入了 惯性测量单元 \textcolor{Red}{惯性测量单元} 惯性测量单元。
针对单目SLAM缺少尺度信息，提出了新颖的IMU初始化的方法，以高精度快速地计算尺度、重力方向、速度以及陀螺仪和加速度计偏差，并重用地图，在已重建区域实现零漂移定位。
2. ORB-SLAM-VI系统架构
六、ORB-SLAM-Atlas
论文：ORBSLAM-Atlas: a robust and accurate multi-map system（IROS 2019）
1. ORB-SLAM-Atlas简介
2019年，在ORB-SLAM2的基础上，Raul Mur-Artal等人提出了一个能够处理无限数量的非连接的子地图的系统，包括一个鲁棒的地图合并算法，使得相机跟踪丢失时不会停止更新地图，立即构建一个新的子地图。
相比于ORB-SLAM2，ORB-SLAM-Atlas主要工作如下：
- 利用Atlas来解决不限数量的子地图融合问题。Atlas有不限数量的子地图关键帧的词袋数据库，保证了地图场景重识别的效率；
- 多地图的操作算法：新地图生成、在混合地图中重定位和地图融合；
2. ORB-SLAM-Atlas系统架构
七、ORB-SLAM3
论文：ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM
github代码仓库：ORB_SLAM3
ORB-SLAM3整体流程详解
一文详解ORB-SLAM3
1. ORB-SLAM3简介
ORB-SLAM3是一个支持 视觉、视觉 + 惯导、混合地图 \textcolor{Red}{视觉、视觉+惯导、混合地图} 视觉、视觉+惯导、混合地图的SLAM系统，可以在 单目、双目和 R G B − D 相机 \textcolor{Red}{单目、双目和RGB-D相机} 单目、双目和RGB−D相机上利用针孔或者鱼眼相机模型运行。在大场景/小场景、室内/室外，ORB-SLAM3都能鲁棒地实时运行。
相较于ORB-SLAM2，ORB-SLAM3则增加了对于IMU融合的支持，兼容鱼眼相机模型，并且增加了Atlas多地图的支持；同时，回环检测为了支持多地图的模式，提供了一种叫Welding BA的优化方式。
2. ORB-SLAM3系统架构
3. ORB-SLAM3的优势
在ORB-SLAM2中，在弱纹理场景下容易出现跟踪丢失的问题，而ORB-SLAM3可以重建地图，实现自动重定位。
4. ORB-SLAM3的经验
对于在室内场景，ORB-SLAM3的定位精度高。
对于丰富的室外场景，可以直接使用ORB-SLAM3。
对于无人机导航，由于天空中特征点较少，ORB-SLAM3效果略差，需要融合多模态信息（GPS），提高定位导航精度。
对于无人驾驶，需要融合激光雷达，提高定位导航的精度。
八、项目经验
Turbot-VSLAM入门教程-实现ORB-SLAM V2
Turbot-VSLAM入门教程-实现RGBD-SLAM-V2
ORB_SLAM运行详细过程(ubuntu14.04系统和ROS Indigo环境搭建，配置及测试运行)
EuRoC
EuRoC数据集
EuRoc数据集是在微型飞行器（Micro Aerial Vehicle，MAV）收集的视觉惯导数据集。该数据集包含：立体图像，同步IMU测量，精确的运动和结构的真值（ground-truth）。