LSD-SLAM中深度图构建部分相对比较复杂，在LSD-SLAM论文的3.4节做了简单的陈述，详细的算法在论文Semi-DenseVisualOdometryforaMonocularCamera中进行说明

一、lsd-slam依赖的库需要库eigen3.2.5、opencv3.2.0、ros-melodic(注意对版本要求高)，需要严格对应版本否则可能出现问题。

1.基于激光雷达的SLAM算法：HectorSLAM、Gmapping、Cartographer、KartoSLAM、HornSLAM等；2.基于视觉的SLAM算法：ORB-SLAM、LSD-SLAM、

今天安装测试了LSD-SLAM，记录配置中遇到的问题。

随着SVO、LSD-SLAM等直接法SLAM方案的流行，直接法本身也得到越来越多的关注。特征点法与直接究竟谁更好一些，是近年视觉里程计研究领域一个非常有趣的问题。

皮皮原创手打，欢迎交流。基本情况标题：Large-ScaleDirectMonocularSLAM-2014年作者:JakobEngelandThomasSch¨opsandDanielCremers论文下载地址：https://sci-hub.mksa.top/10.1007/978-3-319-10605-2_54代码地址:https://github.com/tum-vision/lsd_s

1、报错：ERROR[gendeps]1Findingdependenciesfor/home/cc/rosbuild_ws/package_dir/lsd_slam/lsd_slam_viewer/cfg/LSDSLAMViewerParams.cfg分析：顾名思义，不应该在描述中出现引号（单引号或双引号），可以通过查看错误内容得知需要修改的文件的名称。解决方法：1)lsd_slam_viewe

标题：LSD-SLAM：基于直接法的大范围单目即时定位和地图构建方法类似于特征点法中的ORB-SLAM,单目直接法的是LSD-SLAM.核心贡献是：将直接法应用到了半稠密的单目SLAM中，不需要计算特征点

Tracking算法追踪新的frame，优化相对3D位姿ξji∈se(3)\xi_{ji}\in\mathcal{se}(3)ξji∈se(3).iii是关键帧，jjj是新的图片。深度图估计选择关键帧准则：当前帧和关键帧的ξji\xi_{ji}ξji超过一定阈值。深度图初始化由前一帧的映射得到深度滤波器深度计算的步骤计算参考帧中的极线。存在几何误差：由位姿与相机参数引起的极线偏移造成，简化为方向不

BelaroussiR.Semi-Dense3DSemanticMappingfromMonocularSLAM[J].arXivpreprintarXiv:1611.04144,2016.单目SLAM的半稠密语义建图（LSD-SLAM

最近开始做毕设，用到了SLAM技术，因此开始了解，暂定的研究目标是LSD-SLAM和ORB-SLAM。首先第一个问题是环境搭建。我使用的是ROS（机器人操作系统）来进行测试。

163.com，欢迎交流讨论，欢迎转载，转载请注明网址http://blog.csdn.net/u010128736/一、我与SLAM不得不说的二三事  早在一年多前就接触了一点SLAM，当时研究的是LSD-SLAM

SceneLib2PTAM单目http://www.robots.ox.ac.uk/~gk/PTAM/ORB-SLAM单目为主http://webdiis.unizar.es/~raulmur/orbslam/LSD-SLAM

前言  LSD-SLAM和ORB-SLAM的出现，使得单目slam最近成为了研究热点。单目SLAM一般处理流程包括track和map两部分。所谓的track是用来估计相机的位姿。

基于Ubuntu14.04+ROSindigo环境LSD-SLAM的数据集测试成功第一步：搭建Ubuntu14.04.4+ROSindigo基础环境1]在http://releases.ubuntu.com

ReferenceSemi-DenseVisualOdometryforaMonocularCamera.LSD-SLAM深度滤波的论文https://www.zybuluo.com/lancelot-vim/note/412293讲解LSD-SLAM

https://blog.csdn.net/huaweijian0324/article/details/80547782最近学校的项目基本做完了，也快去实习了，所以抽个时间把之前做的windows下的LSD-SLAM

转载至https://www.sohu.com/a/166136329_715754泡泡机器人翻译作品原文标题：LSD-SLAM:Large-ScaleDirectMonocularSLAM作者：EngelJ

#lsd-slam源码解读第六篇:GlobalMapping标签（空格分隔）：lsd-slam地图优化可以说是整个技术里面最简单的一部分了，核心其实就是g2o，可以看到这个里面代码也不多，总共加起来不到

lsd-slam源码解读第五篇:DepthEstimation标签:lsd-slam同样的，我希望在看这篇之前，读者已经对算法有了一定的了解，否则我估计这篇博客看起来会很吃力，如果还不太了解算法，建议先看第三篇

lsd-slam源码解读第一篇:Sophus/sophus所谓slam即Real-timeSimultaneousLocalizationandMapping,实时定位与地图重建，lsd是一个大规模的单目视觉半稠密

线程池这几天闲着没事，参考lsd-slam的线程池，做了一个更加泛化的版本，用的c++11的线程库，个人感觉还是比较强大的，拿出来和大家分享一下，代码在git上有托管，这是最新发布的1.2版本：ThreadPool

LSD-SLAM的Tracking是算法框架中三大部分之一。

因为科研需要最近调试LSD-SLAM，非常好的算法，附带代码和使用说明，只能说国外的开源氛围真的很好，国内想要搞好科研，也许开源是一条路吧。

即实时定位建图，按照使用的传感器分为激光SLAM（LOAM、V-LOAM、cartographer、gmapping）与视觉SLAM，其中视觉SLAM又可分为单目SLAM（MonoSLAM、PTAM、DTAM、LSD-SLAM

对应ubuntu版本的lsd-slm代码见链接：https://github.com/YaoZhiwen/lsd_slam_catkin_16.04下面记录遇到的坑UBUNTU16.04下安装LSD-slam

前言在LSD-SLAM深入学习（1)中我们已经完成基本的安装与测试，在此我们继续解析算法与代码，由于lsd-slam本身利用了一部分李群与李代数的知识，需要一定的数学功底。

前言借鉴来自RGB-D数据处理的两种方法-基于特征与基于整体的，同样可以考虑整个图片的匹配，而不是只考虑特征点的……一般这种稠密的方法需要很大的计算量，DTAM:Densetrackingandmappinginreal-time提出了利用GPU来加速运算的方法，Semi-denseVisualOdometryforaMonocularCamera通过半稠密的滤波有效地减少了运算时间，甚至在智能手

本文参考http://blog.csdn.net/gobitan/article/details/51541977的文章，实际在自己电脑上有些小问题，结合出现的问题整理一下。第一步：搭建Ubuntu14.04.4+ROSindigo基础环境[1]在http://releases.ubuntu.com/14.04/官网下载ubuntu-14.04.4-desktop-i386.iso安装包，大约1G

相信做SLAM的同学们都知道大名鼎鼎的TUM（德国慕尼黑工业大学），像LSD-SLAM、DSO、DVO等都是出自于这个学校。

SceneLib2PTAM单目http://www.robots.ox.ac.uk/~gk/PTAM/ORB-SLAM单目为主http://webdiis.unizar.es/~raulmur/orbslam/LSD-SLAM

lsd-slam源码解读第三篇:算法解析标签:lsd-slam我希望朋友们看着篇博客的时候已经看过我写的第二篇:lsd-slam源码解读第二篇:DataStructures与此同时对代码已经有一定的了解

preparation：按照官網步驟完成LSD的安裝。1、testdata：needimagesfile&cameraCalibration.cfg2、開啟終端機->輸入roscore3、開新終端機->將lsd_slam加入ROS_PACKAGE_PATH(EX:exportROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:/home/ivlab/lsd_slam)->輸入ro

LSD-SLAM源代码是源代码在ROSfuerte+Ubuntu12.04和ROSindigo+Ubuntu14.04，本次使运行在Ubuntu16.04kinectic。

Ubuntu16.04安装LSD-SLAM的过程、注意事项以及可能出现的错误：LSD-SLAM官网：https://vision.in.tum.de/research/vslam/lsdslamLSD-SLAMGithub

Ubuntu14.04安装LSD-SLAM的过程、注意事项以及可能出现的错误：LSD-SLAM官网：https://vision.in.tum.de/research/vslam/lsdslamLSD-SLAMGithub

简介：关于lsd-slam的细节，再github的readme中写的特别详细，在这里我将其最主要的部分摘出来，供大家参考。

点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货前面的话VSLAM是利用多视图几何理论，根据相机拍摄的图像信息对相机进行定位并同时构建周围环境地图。VSLAM前端为视觉里程计和回环检测，相当于是对图像数据进行关联；后端是对前端输出的结果进行优化，利用滤波或非线性优化理论，得到最优的位姿估计和全局一致性地图。前面已经介绍了系列一：VSLAM的前端：视觉里程计和回环检测，系列二：VS

LSD-SLAM源代码来自于：https://github.com/Wangxuefeng92/LSDaddexplain由于公司项目需要，最近在安装调试LSD-SLAM。

我们拿以难读著称的lsd-slam举个例子。由于你电脑里可能还没有doxygen，我们先来安装一下：sudoapt-geti

随着SVO、LSD-SLAM等直接法SLAM方案的流行，直接法本身也得到越来越多的关注。特征点法与直接究竟谁更好一些，是近年视觉里程计研究领域一个非常有趣的问题。

lsd-slam源码解读第四篇:tracking标签（空格分隔）：lsd-slam进入这一篇之前，我希望你已经很明白了lsd-slam的算法，这很重要，如果不明白算法，阅读后续的代码无异于阅读天书，如果不太明白算法

lsd-slam源码解读第二篇:DataStructures第一篇:lsd-slam源码解读第一篇:Sophus/sophus在进入具体算法之前，我觉得有必要先明白内部数据是怎样储存的，所以第一篇之后的内容自然是数据结构

前言  LSD-SLAM和ORB-SLAM的出现，使得单目slam最近成为了研究热点。单目SLAM一般处理流程包括track和map两部分。所谓的track是用来估计相机的位姿。

LSD-SLAM深入学习（1）-基本介绍与ros下的安装http://www.cnblogs.com/hitcm/p/4907465.html前言    借鉴来自RGB-D数据处理的两种方法-基于特征与基于整体的