视觉slam开源方案对比(ORB-SLAM2,ORB-SLAM3,VINS)

已于 2022-03-22 13:46:22 修改
阅读量9.4k 收藏 154
点赞数 11
分类专栏： 激光相机融合的语义slam 文章标签： 计算机视觉 人工智能 slam
于 2021-12-20 15:15:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dushib/article/details/122028354
版权

第一次写博客，难免有错误，大家多多指正！

ORB-SLAM2: GitHub - raulmur/ORB_SLAM2: Real-Time SLAM for Monocular, Stereo and RGB-D Cameras, with Loop Detection and Relocalization Capabilities

ORB-SLAM3: GitHub - JKTao/ORB_SLAM3: ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM

VINS-mono: GitHub - HKUST-Aerial-Robotics/VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator

为了使VINS生成的数据能够用evo评价对其进行了一些改进参考博客见

VINS-Mono运行与评测_熊猫飞天-CSDN博客

也可以下载我改好的百度网盘连接如下：

链接: https://pan.baidu.com/s/1qFCwOXOLNAm-xbL7VbNpdg  密码: upw8
--来自百度网盘超级会员V4的分享

数据集采用Euroc的前三个数据集

kmavvisualinertialdatasets – ASL Datasets

该数据集格式有两种一种为rosbag格式一种为ASL数据集格式。

rosbag 格式数据包直接运行即可

rosbag play *.bag

ASL格式数据为1个文件夹 其中包含如下，ORB-SLAM2和ORB-SLAM3有自己的运行方式下面介绍。

evo安参考

测评工具evo安装与使用_雾雨hub的博客-CSDN博客_evo工具

环境：

ubuntu18.04+ros-melodic+opencv3.4.16

运行：

ORB-SLAM2

进入到ORB-SLAM2文件夹下：

cd ORB_SLAM2
chmod +x build.sh //build.sh可执行权限
./build.sh

若出现如下错误：

对‘cv::Mat::Mat()’未定义的引用

可能是自己的opencv版本和cmake中定义的不一样改一下就行(我的版本是3.4)

查看自己的opencv版本

pkg-config --modversion opencv

find_package(OpenCV 3.4 QUIET)
if(NOT OpenCV_FOUND)
   find_package(OpenCV 2.4.3 QUIET)
   if(NOT OpenCV_FOUND)
      message(FATAL_ERROR "OpenCV > 2.4.3 not found.")
   endif()
endif()

编译成功后可运行代码：

./Examples/Stereo/stereo_euroc Vocabulary/ORBvoc.txt Examples/Stereo/EuRoC.yaml /home/du/work/proslma_ws/MH_01_easy/mav0/cam0/data /home/du/work/proslma_ws/MH_01_easy/mav0/cam1/data Examples/Stereo/EuRoC_TimeStamps/MH01.txt 
./Examples/Stereo/stereo_euroc 指双目的可执行程序 
Vocabulary/ORBvoc.txt 
Examples/Stereo/EuRoC.yaml代表相机的参数
/home/du/work/proslma_ws/MH_01_easy/mav0/cam0/data相机0拍摄的照片路径(换成自己的)
/home/du/work/proslma_ws/MH_01_easy/mav0/cam1/data 相机1拍摄的照片(换成自己的)
Examples/Stereo/EuRoC_TimeStamps/MH01.txt 时间戳(通过时间戳调用照片)
运行完会在ORB-SLAM2文件夹下产生CameraTrajectory.txt文件，
这个文件是用来evo评估时与真实值进行对比。记得复制走不然下次运行会被覆盖

MH_01_easy运行结果

MH_02_easy运行结果

MH_03_medium运行结果

ORB-SLAM3

cd ORB_SLAM3
chmod +x build.sh
./build.sh
./Examples/Stereo/stereo_euroc ./Vocabulary/ORBvoc.txt ./Examples/Stereo/EuRoC.yaml /home/du/work/proslma_ws/MH_01_easy ./Examples/Stereo/EuRoC_TimeStamps/MH01.txt 

./Examples/Stereo/stereo_euroc双目可执行文件 
./Vocabulary/ORBvoc.txt 
./Examples/Stereo/EuRoC.yaml 相机参数
/home/du/work/proslma_ws/MH_01_easy 数据集路径，换成自己的
./Examples/Stereo/EuRoC_TimeStamps/MH01.txt 时间戳

MH_01_easy运行结果

MH_02_easy运行结果

 MH_03_medium运行结果

 VINS

mkdir vins_ws
mkdir src
catkin_init_workspace 
cd ..
catkin_make
cd src
git clone https://github.com/HKUST-Aerial-Robotics/VINS-Mono.git
cd ..
catkin_make
添加环境变量
echo "source ~/vins_ws/devel/setup.bash" >> ~/.bashrc
让环境变量生效
source ~/.bashrc

 编译好添加好环境变量后即可运行数据集

cd vins_ws(自己的vins工作空间)
分别在三个终端运行以下命令
roslaunch vins_estimator euroc.launch
roslaunch vins_estimator vins_rviz.launch
rosbag play MH_01_easy.bag

MH_01_easy运行结果

MH_02_easy

MH_03_meldium

evo安装

参考博客：

测评工具evo安装与使用_雾雨hub的博客-CSDN博客_evo工具

真实轨迹储存在下载的数据集如下路径

MH_01_easy/mav0/state_groundtruth_estimate0

 其中包含data.csv文件，为了进行evo测评需要将其转换为tum格式，转换后第一个第一列为时间戳信息。第二到第四列为位置信息，后四列为四元数表示旋转信息。转换方式如下：

evo_traj euroc data.csv --save_as_tum

 用EVO评价绝对位姿误差(APE)和相对位姿误差(PRE)

输入如下指令进行绝对位姿误差测评

 evo_ape data.tum  ./ORB-2/1/CameraTrajectory.txt -r angle_deg --delta 1 --delta_unit m -va --plot --plot_mode xz --save_plot ./orbslam_MH01plot --save_results ./ORB-2/1/orbslam_MH01.zip
./ORB-2/1/CameraTrajectory.txt （路径改成自己的.这是ORB-SLAM2运行结束生成的轨迹文件）
--plot_mode xz 划出二维图像若改成xyz则画出三维图像
./orbslam_MH01plot --save_results 保存图片名称(保存在终端运行目录)
./ORB-2/1/orbslam_MH01.zip(保存在和轨迹文件同级目录，后期比较三个算法需要用到，可以把所有压缩文件放到统一文件夹)改成自己的！！！

ORB-SLAM2

APE

MH_01

MH_02

MH_03（丢了一张尴尬哈哈哈哈）

PRE

evo_rpe data.tum  ./ORB-2/1/CameraTrajectory.txt -r angle_deg --delta 1 --delta_unit m -va --plot --plot_mode xz --save_plot ./orbslam_MH01plot --save_results ./ORB-2/1/orbslam_MH01.zip
./ORB-2/1/CameraTrajectory.txt (运行生成的相机轨迹文件)
./orbslam_MH01plot --save_results(结果图片保存名称前缀)
./ORB-2/1/orbslam_MH01.zip(结果的压缩文件)

MH_02

MH_03

 

ORB-SLAM3

图太多了，每个放一张示意：

APE

输入命令和ORB-SLAM2一样(只需要改路径就行)

MH_01

MH_02

MH_03

PRE

MH_01

MH_02

MH_03

VINS

APE

MH_01

MH_02

MH_03

PRE

MH_01

MH_02

MH_03

综合比较 三种算法

利用命令行

evo_res *.zip -p --save_table table.csv
进入到zip文件夹目录下，使用该命令
*.zip该文件夹下所有以zip为结尾的文家
table.csv保存文件的名字
生成的table.csv更全面，但放图更加直观

APE

MH_01

MH_02

MH_03

 

 PRE

 MH_01

MH_02

 

MH_03

参考博客

VINS-Mono运行与评测_熊猫飞天-CSDN博客

开源SLAM方案评价与比较_whut_chengjun的博客-CSDN博客

测评工具evo安装与使用_雾雨hub的博客-CSDN博客_evo工具

111111111112454545
关注
  • 11
    点赞
  • 踩
  • 154
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
视觉SLAM方案整理及硬件选型调研/视觉里程计算法综述
08-03
视觉SLAM方案整理及硬件选型调研/视觉里程计算法综述
bench_ws:用于与不同状态估计算法（即 VINS-Mono、VINS-Fusion、ORBSLAM3、Stereo-MSCKF 等）进行比较的 catkin 工作区
05-29
长凳_ws 用于对不同状态估计算法进行基准测试的 catkin 工作区，即： 建造 构建过程相当自动化，此 repo 假设您在安装了 Ubuntu 18.04 的 linux 机器上运行。 然后要使用此存储库，您将发出以下命令， make deps make submodules make build 它安装依赖项，拉取 git 子模块并构建这个工作区。 在 EuroC 数据集上运行 首先获取数据集。 默认情况下，此项目提供的启动文件假定您有一个名为/data/euroc_mav/rosbags的目录，并且其中包含 rosbags，如下所示： MH_01.bag MH_02.bag MH_03.bag MH_04.bag MH_05.bag V1_01.bag V1_02.bag V1_03.bag V2_01.bag V2_02.bag V2_03.bag 请注意如何删除e
视觉SLAM——特征点法与直接法对比以及主流开源方案对比 ORB LSD SVO DSO_非线性优化方法的slam方法效果要好于滤波的方法
最新发布
2401_84976318的博客
05-17 728
劣势：1）是一个强假设，难以满足（易受曝光和模糊影像）；2）单像素区没有区分度，需要计算图像块或是相关性；3）直接法成功的前提，是目标函数从初始值到最优值之间一直是下降的，然而。因此需要有一个相当不错的初始估计，还需要一个质量较好的图像；4）难以实现、丢失后的等：除非存储所有的关键帧图像，否则很难利用先前建好的地图；即使有办法存储所有关键帧的图像，那么在重用地图时，我们还需要对位姿有一个比较准确的初始估计——这通常是困难的。数据关联和位姿估计，在直接法中是耦合的，而在特征点法中则是解耦的。
slam学习
echo_gou的博客
09-05 510
1、视觉SLAM：ORB-SLAM2（必学基础）2、视觉惯性SLAM：ORB-SLAM3，VINS-Mono、VINS-Fusion3、激光/多传感器融合SLAM：Cartographer，LeGO-LOAM、LIO-SAM、LVI-SAM4、三维重建：视觉几何OpenMVS，深度学习重建MVSNet、PatchMatchNet、JDACS-MS5、机器人运动规划：Navfn、Dijkstra、A-Star、DWA、TEB6、相机标定：单目/鱼眼/双目/阵列推荐书目：《视觉slam14讲》
为什么工程上选择VINS而不是ORB-SLAM？
CV_Autobot的博客
04-14 531
作者|3D视觉之心 编辑|自动驾驶Daily原文链接：https://www.zhihu.com/question/650407644点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『SLAM』技术交流群本文只做学术分享，如有侵权，联系删文前言很多公司在工程上是用VINS（VINS-Mono或VINS-Fusi...
问题探讨——在光照变化、遮挡、快速运动的情况下，VINS和ORBSLAM3哪个更有优势？
曾经也曾立志
04-09 667
在光照变化、遮挡和快速运动的情况下，VINS由于其对IMU数据的依赖，可能在视觉信息不足时表现得更为鲁棒。而ORB-SLAM3则通过其多地图支持和改进的初始化及重定位技术，在处理这些挑战时提供了更多的灵活性和准确性。然而，具体的性能表现还需要根据实际应用场景和系统实现的细节来评估。在实际应用中，可能需要对这些系统进行定制和优化，以满足特定的需求和条件。
ORB Slam2和ORB Slam3的区别
Tyandy1的博客
04-17 2435
特征提取和描述子：ORB-SLAM2使用ORB特征和ORB描述子，而ORB-SLAM3使用SuperPoint特征和SuperPoint描述子。姿态估计：ORB-SLAM2使用基于EPnP算法的姿态估计方法，而ORB-SLAM3使用基于PnP算法的姿态估计方法。PnP算法相比EPnP算法更加高效和准确。综上所述，ORB-SLAM3相比ORB-SLAM2在特征提取和描述子、姿态估计、语义信息和多相机系统等方面有所改进和优化。-------------------摘自chapgpt回答 用以记录。
视觉SLAM与激光SLAM简单对比分析
超爱吃小蛋糕的66的博客
08-31 1471
本文旨在梳理目前较为前沿的SLAM技术，包括激光和视觉，主要从精度和实时性两个方面对算法进系评价。对于激光SLAM了解不深，后期需要补充相关算法的核心思想与算法框架。有问题请大佬们随时留言，我再改正。
ORB-SLAM, VINS, SVO
u010451780的专栏
12-14 1278
作者：小觅智能 链接：https://www.zhihu.com/question/35116055/answer/517138352 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 ORB-SLAM 是西班牙 Zaragoza 大学的 Raúl Mur-Arta 编写的视觉 SLAM 系统。 它是一个完整的 SLAM 系统，包括视觉里程计、跟踪、回环检测，是一种完全基于稀疏特征点的单目 SLAM 系统，同时还有单目、双目、RGBD 相机的接口。其核心是使用 ORB .
orbslam2和vins对比
z504727099的博客
10-15 1220
多种视觉SLAM方案对比
lovely_yoshino的博客
07-13 4241
在SLAM研究中，我们通常需要在各数据集上测试各个方案的性能情况。如下主要对表1中6个视觉SLAM方案进行相关测试，测试其在不同场景、要求下的精度和鲁棒性，并给出最终方案选型。 开源SLAM方案选型： 数据集： 一、ORB-SLAM2 检测流程：Kinect生成地图【地图主要可见的有关键帧(包括相机的pose,相机的内参,ORB特征),3D的地图点( 空间中3D位置,法线方向,ORB的描述子),词袋向量,共视图等】 保存地图 加载地图和重定位 缺点：1、不能解决实际问题。它基于特征点法，建的图是稀疏的，只
VINS-Mono 论文公式推导与代码解析 高洪臣.pdf
08-12
VINS-Mono 算法使用 ORB-SLAM 中的特征点提取算法，提取图像中的特征点，然后通过匹配算法将特征点匹配到一起。图像矫正是为了消除图像中的畸变和扭曲，提高图像的准确性。 IMU 预积分是 VINS-Mono 算法中非常重要...
小海要自强+VINS-Mono-master.zip
07-21
VINS-Mono是一款由香港科技大学开发的开源视觉惯性导航系统（Visual-Inertial Navigation System，简称VIO），专门用于实现单目相机的SLAM（Simultaneous Localization And Mapping，即同时定位与建图）任务。SLAM是...
VINS-Mono代码详细注释
08-14
VINS-Mono是一种基于单目视觉的即时定位与建图（Simultaneous Localization and Mapping, SLAM）系统，由 ETH Zurich 开发。该系统利用来自单个摄像头的图像序列进行实时三维环境建模和自我定位。VINS-Mono 的设计...
ORB-SLAM3相对于ORB-SLAM2有哪些优势？
3D视觉工坊
01-16 1346
01背景介绍自主导航是机器人基础性和关键性技术，是机器人实现其他更高级任务的前提。视觉 SLAM (Simultaneous Localization And Mapping) 利用视觉传感器获取环境图像信息，基于多视图几何算法构建环境地图。视觉SLAM技术广泛应用于无人驾驶、元宇宙、游戏、智能机器人等领域。在无人驾驶方面，一些大厂如腾讯、阿里、百度、华为、小米、商汤等企业投入重金研发，开放大量关...
【SLAM】ORB-SLAM3解析——综述(1)
iwanderu的博客
04-28 7439
之前学习VINS和LIO-SAM的时候都是代码流，不是很重视看论文，现在有空学ORB-SLAM3了，这一次，先看一下论文。考虑到边上班边学，更新的会比较慢。看完论文之后，对这个系统最大的主观感受就是它的多图系统Atlas。机器人运行过程中是可能会跟丢的，一旦跟丢了就新建一个map，如果走到之前的位置，一旦发现和之前的map是同一个地方，就可以合并map。它的初始化和VINS很像，地图操作，回环检测，重定位很鲁棒。 github： https://github.com/UZ-SLAMLab/ORB_SLAM
ORB_SLAM3与VINS_MONO的惯导部分比较以及尺度因子优化分析
Goretzka的博客
02-26 2695
inertial部分的对比 ORB_SLAM3 VINS IMU的偏差 同时考虑了加速度计和陀螺仪的偏差，并且将其放在目标函数中与重力方向，尺度因子等待优化变量共同优化，在inertialoptimization函数 只估计了陀螺仪的偏差，并且是将其考虑成非线性的，将其独立出来单独优化，没有采用g2o求解器，而是直接一次高斯牛顿迭代解决，在initial_aligment.cpp中的solveGyroscopeBias中。 速度，重力，尺度因子 与IMU偏差共同估计，通过最大后验估计
ORB-SLAM3与ORB-SLAM2对比
cyx610481953的博客
12-10 7582
ORB-SLAM2运行遇到段错误 解决：将Cmakelist.txt里的 -march=native去掉即可
VI ORB-SLAM初始化与VINS初始化对比(将vi orb-slam初始化方法移植到vins中)
weixin_30361753的博客
08-31 942
初始化时需要求出的变量：相机和imu外参r t、重力g、尺度s、陀螺仪和加速度计偏置ba bg。 下面对两种算法初始化的详细步骤进行对比： 求陀螺仪偏置bg 求解公式相同，求解方法不同。公式如下，VI ORB-SLAM使用图优化的方式。 　　　　 Vector3d Optimizer::OptimizeInitialGyroBias(const vector<...
vins-fusion和orb-slam 对比
06-28
### 回答1： b'vins-fusion'和'orb-slam'都是视觉SLAM算法，但它们的原理和实现略有不同。'vins-fusion'能够更好地处理动态环境和IMU的数据，而'orb-slam'在处理静态场景时更稳定和效果更好。具体使用哪种算法要根据自身的应用场景和需求来选择。 ### 回答2： Vins-fusion和orb-slam是两种经典的视觉SLAM方法。其主要区别在于它们的架构和实现方式，下面将分别对它们进行简单的介绍和比较。 Vins-fusion是由加拿大滑铁卢大学的研究团队开发的一种基于视觉和惯性传感器融合的SLAM方法。该算法采用了双目相机和惯性测量单元（IMU）的信息，结合非线性优化方法，实现了建立基于特征点的稠密地图和相机位置、速度估计。该算法的优点在于其能够从多个传感器中融合不同类型的数据，提高了相机位置估计精度和鲁棒性。 相比之下，ORB-SLAM则是一种使用单目相机的基于特征点匹配的SLAM方法。它基于FAST角点检测和ORB特征描述子，采用优化方法求解相机位姿和地图点，从而实现对相机的位姿估计和地图构建。该算法的优点在于其实现简单，适用于不同场景下的运动物体跟踪和建图。 总体而言，Vins-fusion相比ORB-SLAM在鲁棒性和精度上有所提高，但是需要使用双目相机和IMU等多种传感器，实现相应的硬件条件和算法复杂度也较高。而ORB-SLAM则存在对特定场景下角点检测和匹配的敏感性问题，但是其实现方式较为简单，适用范围广泛，更容易被广泛采用。因此，在实际应用中，需要根据具体的场景和需求来选择适合的SLAM方法。 ### 回答3： Vins-Fusion和ORB-SLAM都是常用的视觉惯性里程计（Visual-Inertial Odometry，VIO）算法，它们都基于姿态估计和特征匹配，实现了同时定位与建图（SLAM）的功能。 比较Vins-Fusion和ORB-SLAM，可以从以下几个方面入手： 1. 精度：Vins-Fusion采用深度学习和卡曼滤波等技术，能够达到较高的精度，尤其是在动态环境下的鲁棒性更强；而ORB-SLAM则采用了优化方法和关键帧选择等技术，也有一定的精度，但在动态环境下易出现漂移等问题。 2. 稳定性：Vins-Fusion对光照变化、拍摄角度变化等有一定的鲁棒性，能够在复杂环境下保持较好的稳定性；而ORB-SLAM对光照变化等敏感，稳定性稍逊。 3. 实时性：Vins-Fusion具有较高的实时性，能够在移动设备等资源有限的场景下工作；而ORB-SLAM对计算资源要求较高，适合在较为强大的计算设备上工作。 4. 易用性：ORB-SLAM具有较好的开源生态，有丰富的文档和代码示例，对开发者较为友好；而Vins-Fusion的开发和使用相对较为复杂，需要掌握深度学习和卡曼滤波等专业知识。 综合来看，Vins-Fusion和ORB-SLAM各有优劣，适用于不同的场景和需求。开发者可以根据项目要求选择适合自己的算法，并结合实际情况进行优化和改进。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值