maplab的学习

maplab的简介

    地图：通过制图生成并用于本地化的环境表示。
    映射：机器人通过融合一个或多个传感器的输出来建立环境模型的过程。
    本地化：机器人推断其位置的过程。环境模型。
    SLAM：同时定位和映射是机器人在本地化和地图绘制之间交替进行的过程，以便在以前未知的环境中构建地图，同时从中进行本地化。
    地标从多个连续摄像机图像可见的点。根据这些信息，点的位置可以进行三角化。
    循环闭合：识别先前访问的地点的过程，允许机器人纠正在探索环境期间积累的任何错误。类似于我们人类认识的地方，然后告诉我们某事。关于我们在世界上的位置。
    密集重建：从图像中构建具有大量3d点的3d模型的过程。

概观

现代自主机器人系统由许多软件构建块（SLAM，路径规划，场景解释）组成，其中大部分取决于某种形式的本地化和映射。因此，需要一个API来允许这些不同的元素进行通信，并尽可能减少相互依赖性。
长期本地化循环

为了使机器人能够执行长期操作，上述算法需要与s.t.紧密集成。他们可以互补。我们把这个组合称为终身定位循环：

在线定位和注册：来自机器人传感器的实时自我运动估计（SLAM）与先前已知的地图（本地化）的更新相结合。这允许机器人不断地估计它在全局参照系中的姿态，并由此执行它的任务。
离线几何对齐：代理在线捕获的数据需要对齐并注册到之前已知的参考数据，如建筑物模型或其他代理创建的地图。这通常是通过使用闭环算法来完成的。然后将组合数据进行联合优化，以获得所有涉及数量（三维结构，轨迹等）的最佳（最大似然）估计值。
地图总结：为了生成一个紧凑的环境表示，我们需要从地图中删除多余的信息，并专注于最丰富的部分。最终的模型应该只包含对本地化最有用的部分数据（步骤1）。
三维重建：为了使机器人能够避开障碍物并在环境中导航，建立一个比第一步中的SLAM算法给出的环境更丰富的表示是非常重要的。

maplab框架由两个主要部分组成：

maplab和ROVIOLI

ROVIOLI前端

    用于制图和本地化的在线前端，
    将ROVIO扩展到6DoF本地化约束，
    单一会话的独立操作，
    多会话地图支持使用控制台（见下文）

离线maplab控制台

它允许细化地图，将多个地图合并在一起并使用它们，例如为密集重建。 其中的功能包括以下几点：

    方便的控制台用户界面和地图管理器来访问地图，
    一个插件架构可以用新的命令和算法轻松扩展它，
    视觉惯性最小二乘优化，可以通过附加传感器进行扩展，
    使用可切换约束的健壮姿势图放松，
    基于BRISK/ FREAK的环路，
    终生测绘地图总结，
    密集的重建和与Voxblox的接口。

maplab的典型工作流程

a）在VIO模式下使用ROVIOLI构建地图。
（b）使用maplab控制台优化地图。合并多个地图。进行实验并应用您选择的算法。
（c）可选：使用结果图在本地化模式下使用ROVIOLI进行本地化。本地化增加了视觉 – 惯性姿态估计的准确性。

相关研究

相关的Topomap：基于视觉SLAM地图的拓扑映射和导航

飞行和步行机器人的协作导航

实时视觉惯性映射，重新定位和规划未知环境中的小型车

基于外观的地标选择可实现高效的长期视觉定位

随着时间的推移重塑我们的世界模型

保持简洁：压缩的本地化地图的可扩展创建

地图的要点 -总结终身本地化的经验

用于空中和地面机器人的实时视觉惯性定位

MapAPI可扩展的分散式地图建筑机器人

基于滑动窗非线性优化的固定翼无人机单目视惯性SLAM

可绘制终身映射的地图汇总

使用低成本高斜度单眼相机生成固定翼无人机的鲁棒地图

擦除不好的记忆：长期映射的代理端汇总

视觉定位的地图质量评估

概率投票的视觉地点识别

以下列表包含maplab特定组件构建于其上的纸张列表：
初始化：
使用PMVS/ CMVS输出器进行3D重建：

由ROVIO+ maplab组成的ROVIOLI用于地图制作和本地化：

参考：https://github.com/ethz-asl/maplab