ORB-SLAM2的编译运行以及TUM数据集测试

近段时间一直在学习高翔博士的《视觉SLAM十四讲》，学了以后发现自己欠缺的东西实在太多，好多都需要深入系统的学习。ORB-SLAM2是一套完整的SLAM方案，提供了单目，双目和RGB-D三种接口。它能够实现地图重用，回环检测和重新定位的功能。无论是在室内的小型手持设备，还是到工厂环境的无人机和城市里驾驶的汽车，ORB-SLAM2都能够在标准的CPU上进行实时工作。ORB-SLAM2在后端上采用的是基于单目和双目的光束法平差优化（BA）的方式，这个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。 可以说，ORB_SLAM2是近几年SLAM的集大成者，它吸收了近几年monoslam领域的很多理论成果，比如逆深度的使用，g2o工具箱的优化等。而且以orb特征贯穿始终，从一开始的特征处理，匹配，以及用于回环的bag-of-words，词典，全用的是orb。缺点在于它的的建图部分只含有稀疏的map point，这不仅让最终建的图很难看，而且对于机器人下一步的应用会造成很大困难。

      文章主要对ORB-SLAM2进行编译运行。以及下载TUM上的数据集。然后跑自己的数据集，以及利用笔记本摄像头进行测试。

前期准备

链接在此：https://github.com/raulmur/ORB_SLAM2

 使用git clone https://github.com/raulmur/ORB_SLAM2 下载ORB-SLAM2 根据Gthub上给的依赖项 进行安装

系统环境：

      ubuntu 16.04 LTS   安装好gcc  g++  cmake    git （这里就不细说了）

安装依赖库

（1）安装Pangolin 

       git  clone https://github.com/stevenlovegrove/Pangolin.gitcd Pangolin 进行下载

安装依赖：

a、opengl：

b、GLEW：

sudo apt-getinstall libglew-dev

c、Boost：

sudo apt-getinstall libboost-devlibboost-thread-devlibboost-filesystem-dev

d、Python2/Python3：

sudo apt-getinstall libpython2.7-dev

e、编译基础库

sudo apt-getinstall build-essential

安装Pangolin：

终端里输入

mkdir build

cd build

sudo cmake ..

sudo make-j（建议不要使用make-j，使用make。如果用make-j是使用多处理器编译，可能造成死机）

（2）安装OpenCV

安装依赖：

a、编译器相关：

sudo apt-getinstall build-essential

b、必须依赖：

sudo apt-getinstall cmake git libgtk2.0-devpkg-configlibavcodec-devlibavformat-devlibswscale-dev

c、可选安装：

sudo apt-getinstall python-devpython-numpylibtbb2 libtbb-devlibjpeg-devlibpng-devlibtiff-devlibjasper-devlibdc1394-22-dev

安装OpenCV：

a、官网下载OpenCV 2.4.11 forLinux下载地址，解压到Ubuntu中

b、进入OpenCV文件夹，配置工程

mkdirreleasecdreleasecmake -D CMAKE_BUILD_TYPE=RELEASE-D CMAKE_INSTALL_PREFIX=/usr/local ..

c、编译

makesudomakeinstall

（3）安装Eigen

下载Eigen下载地址，进入到在解压后的Eigen文件夹（例如eigen-eigen-07105f7124f9）下

mkdir buildcdbuildcmake ..makesudomake install

（7）安装BLAS and LAPACK库

sudo apt-getinstall libblas-dev

sudo apt-getinstall liblapack-dev

   g2o需要BLAS和LAPACK

(1) BLAS: Basic Linear Algebra Subprograms

提供了基本的向量和矩阵操作：

- Level-1 BLAS: 支持 标量、向量、向量-向量 操作

- Level-2 BLAS: 支持 矩阵-向量 操作

- Level-3 BLAS: 支持 矩阵-矩阵 操作

(2) LAPACK：Linear Algebra PACKage

    它调用BLAS来实现更高级的功能，支持以下操作：

- 解线性方程组

    - 线性方程组的最小二乘解

    - 特征值问题和奇异值问题

    - 矩阵分解 (LU, Cholesky, QR, SVD, Schur, generalized Schur)

    - 支持密集和带状矩阵，但不支持一般的稀疏矩阵

    - 支持单精度和双精

 DBoW2 and g2o (Included in Thirdparty folder)

   ORB_SLAM2使用修改版的DBoW2 库进行位置识别 ，使用 g2o 库进行非线性优化. 这两个修改版的库被放在第三方文件夹内.

总的对于 opencv 和 eigen3,可以简单的用一行命令来解决:

sudo apt-get install libopencv-dev libeigen3-dev libqt4-dev qt4-qmake libqglviewer-dev libsuitesparse-dev libcxsparse3.1.2 libcholmod-dev  其中一部分是 g2o 的依赖项,不用太在意它的具体内容。至此,应该可以顺利编译 ORB-SLAM2 了

ORB-SLAM2进行编译

编译ORB_SLAM2库和例子程序(单目、双目和RGB-D)

cd ORB_SLAM2  

chmod +x build.sh  

 ./build.sh  

    生成的libORB_SLAM2.so位于lib目录下，可执行程序mono_tum, mono_kitti, rgbd_tum, stereo_kitti, mono_euroc and stereo_euroc位于Examples目录下。

Monocular 实例运行

在下载TUM数据集：TUM数据集 下载并解压一个序列，如：rgbd_dataset_freiburg1_desk1.tgz

然后在ORB-SLAM2目录下创建一个文件夹 Data 将数据集放置在该文件夹下，并进行解压。

cd ORB-SLAM2

mkdir  Data

tar  -zxvf   rgbd_dataset_freiburg1_desk.tgz

接下来 在终端输入

./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml Data/rgbd_dataset_freiburg1_desk

完成运行 结果如下：

monocular  测试

RGB-D 测试实例

   按照要求下载数据集，下载的是rgbd_dataset_freiburg2_pioneer_360，将其解压到你喜欢的目录．我放在了ORB-SLAM2/Data目录下面

２．下载associate.py．放在/ORB_SLAM2/Examples/RGB-D/目录下面．

３．打开终端，进入到associate.py所在目录，即/ORB_SLAM2/Examples/RGB-D/，之后运行

python associate.py PATH_TO_SEQUENCE/rgb.txt PATH_TO_SEQUENCE/depth.txt > associations.txt

这里的PATH_TO_SEQUENCE 是指的下载数据集的目录里面有depth.txt  和 rgb.txt

所以上述的我的输入：python associate.py ../../Data/rgbd_dataset_freiburg2_pioneer_360/rgb.txt ../../Data/rgbd_dataset_freiburg2_pioneer_360/depth.txt > associations.txt

运行之后在该目录中将会生成一个associations.txt文件．

４．参照所给链接中的第３步，https://github.com/raulmur/ORB_SLAM2，即

./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUMX.yaml PATH_TO_SEQUENCE_FOLDER ASSOCIATIONS_FILE

PATH_TO_SEQUENCE_FOLDER文件夹即为数据库所在文件夹，我的是在orbslam2工程下面，

ASSOCIATIONS_FILE即为第３步中生成的associations.txt，给出他的制定目录位置。

即：./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml Data/rgbd_dataset_freiburg2_pioneer_360 Examples/RGB-D/associations.txt

遇到的问题：

由于我之前安装的python中没有numpy模块 后面在生成associations.txt文件的时候一直报错，只需要安装 重新生成就可以了。

sudo apt-getinstall python-devpython-numpy 

运行结果：

RGB-D测试结果

跑自己的数据集测试

自己的数据集，是利用外部摄像头采集的一系列视频数据。这些数据需要进行处理，首先将视频读取成图像，再传给slam进行处理。

这里分别有myvideo.cpp 和 myvideo.yaml文件  需要将他们进入到CMakeListx.txt中。一下是给出的CMakeListx.txt  方案。

在目录./Examples新建文件夹 myvideo 将myvideo.cpp 和 myvideo.yaml文件放置在该文件夹下。

myvideo.cpp中的一些加载路径需要修改

接着在终端输入：

./Examples/myvideo/myvideo Vocabulary/ORBvoc.txt Examples/myvideo/myvideo.yaml Examples/myvideo/myvideo.mp4

运行结果：

CMakeListx.txt 

运行笔记本摄像头 测试数据

 同理 和运行自己的数据集一样，添加CMakeListx.txt 方案，和上述一样，过程也一致