ORB_slam追踪和建图tracking/localmapping

最新推荐文章于 2024-10-10 08:27:26 发布

放牛娃不吃草

最新推荐文章于 2024-10-10 08:27:26 发布

阅读量3.1k

点赞数 2

分类专栏：机器视觉

机器视觉专栏收录该内容

47 篇文章 3 订阅

订阅专栏

最近在读ORB-SLAM的代码，虽然代码注释算比较多了，但各种类和变量互相引用，看起来有点痛苦。索性总结了一下Tracking部分的代码结构，希望能抓住主要思路，不掉坑里。

追踪

追踪部分的主要思路是在当前帧和（局部）地图之间寻找尽可能多的对应关系，来优化当前帧的位姿。

作者在追踪这部分主要用了几种模型：运动模型（Tracking with motion model）、关键帧（Tracking with reference key frame）和重定位（Relocalization）。

下面一一介绍。

Tracking with motion model

假设物体处于匀速运动，那么可以用上一帧的位姿和速度来估计当前帧的位姿。上一帧的速度可以通过前面几帧的位姿计算得到。这个模型适用于运动速度和方向比较一致，没有大转动的情形下，比如匀速运动的汽车、机器人、人等。而对于运动比较随意的目标，当然就会失效了。此时就要用到下面两个模型。

Tracking with reference key frame

假如motion model已经失效，那么首先可以尝试和最近一个关键帧去做匹配。毕竟当前帧和上一个关键帧的距离还不是很远。作者利用了bag of words（BoW）来加速匹配。首先，计算当前帧的BoW，并设定初始位姿为上一帧的位姿；其次，根据位姿和BoW词典来寻找特征匹配（参见ORB－SLAM（六）回环检测）；最后，利用匹配的特征优化位姿（参见ORB－SLAM（五）优化）。

Relocalization

假如当前帧与最近邻关键帧的匹配也失败了，那么意味着此时当前帧已经丢了，无法确定其真实位置。此时，只有去和所有关键帧匹配，看能否找到合适的位置。首先，利用BoW词典选取若干关键帧作为备选（参见ORB－SLAM（六）回环检测）；其次，寻找有足够多的特征点匹配的关键帧；最后，利用特征点匹配迭代求解位姿（RANSAC框架下，因为相对位姿可能比较大，局外点会比较多）。如果有关键帧有足够多的内点，那么选取该关键帧优化出的位姿。

更新局部地图

Tracking成功以后，需要更新motion model，并判断当前帧是否是新的关键帧。如果是，将其加入并更新局部地图（local map），建立当前关键帧与其它关键帧的连接关系，更新当前关键帧与其它关键帧之间的特征点匹配关系，并利用三角法生成新的三维点，最后做一个局部优化（local BA，包括相邻关键帧和它们对应的三维点，参见ORB－SLAM（五）优化）。

如果读者对作者的程序有兴趣，那么可以参照下图来阅读追踪这部分的程序。