深蓝学院视觉slam十四讲第1章作业

2.1

1）apt-get 方式的安装
sudo apt-get install
2）dpkg方式的安装
sudo dpkg -i package_name.deb

安装路径：/usr, /usr/bin, /usr/local, /usr/share, /opt

2.2

环境变量是在操作系统中一个具有特定名字的对象，它包含了一个或者多个应用程序所将使用到的信息（包含相关的路径信息）
a) 临时设置：
终端执行
export PATH=my_path:$PATH
b) 用户设置：
sudo gedit ~/.bashrc
添加：
export PATH=my_path:$PATH
source .bashrc
c) 系统全局设置：
sudo gedit /etc/profile
添加：
export PATH=my_path:$PATH
source profile

2.3 截自鸟哥私房菜第三版

3.1

自动驾驶技术（汽车、无人机、物流机器人等）；
AR/VR技术（好的虚拟效果需要精准的定位以及环境信息的构建）；
三维重建

3.2

定位是需要周围环境的信息的，是借助周围地图信息来定位的；
建图又需要准确知道目前相机或激光雷达等传感器的位姿；
准确的定位需要准确的地图信息；
精准的地图构建又需要精准的位置信息；
是一个互相依赖的问题，需要同时建图与定位。

3.3

1. 经典时代（classical age）1986-2004年：经典时代引入了SLAM的主要概率公式，包括基于扩展卡尔曼滤波器、RaoBlackwelled粒子滤波器和最大似然估计的方法。而且，这里的挑战是效率和数据关联的鲁棒性问题。
2. 算法分析时代（algorithmic-analysis age）2004-2015年：算法分析阶段研究了SLAM的基本性质，包括可观性、收敛性和一致性，还了解了稀疏性对高效SLAM求解器的关键作用，并开发了主要的开源SLAM库。
3. 我们正在进入SLAM的第三个时代——鲁棒感知时代（robust-perception age）特征如下：

• 鲁棒性能：这一时期SLAM系统在任意环境总运行的失效率较低；系统具有失效保护机制且具有自动调整的功能可以根据应用场景自动选择系统参数；
• 高层次的理解力：SLAM系统已经除了基本的几何重建还能够在更高层次上理解环境信息（比如，语义，可供性，高层几何意义，物理意义）；
• 资源敏感：SLAM系统可以进行裁剪以满足现有传感器和计算资源，也可以根据现有资源调整计算负载；
• 对任务驱动的判断：SLAM系统可以自适应地表示地图，其复杂度可以根据机器人执行的任务而改变。

参考文献：
[1] C. Cadena, L. Carlone, H. Carrillo, Y. Latif, D. Scaramuzza, J. Neira, I. Reid, and J. J. Leonard, “Past, present, and future of simultaneous localization and mapping: Toward the ro-bust-perception age,” IEEE Transactions on Robotics, vol. 32, no. 6, pp. 1309–1332, 2016.

4.1-4.4

CMakeLists.txt 如下：

cmake_minimum_required(VERSION 3.10)
project(sayhello)

set(CMAKE_CXX_STANDARD 11)
set(CMAKE_BUILD_TYPE "Release")
set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ${PROJECT_SOURCE_DIR}/bin)
set(CMAKE_LIBRARY_OUTPUT_DIRECTORY ${PROJECT_SOURCE_DIR}/lib)

#添加头文件
include_directories(${PROJECT_SOURCE_DIR}/include)
#添加库
add_library(hello SHARED ${PROJECT_SOURCE_DIR}/src/hello.cpp)

#添加可执行程序
add_executable(sayhello useHello.cpp)

target_link_libraries(sayhello hello)

#install
set(CMAKE_INSTALL_PREFIX /usr/local)
install(FILES ${PROJECT_SOURCE_DIR}/include/hello.h DESTINATION include)
install(TARGETS hello LIBRARY DESTINATION lib)

5.1

5.2

(a)
编译结果：输出多个可执行文件和库文件。
库文件1个：通过/src文件夹中的.cc文件生成库文件libORB_SLAM2.so
可执行文件6个： mono_tum, mono_kitti, rgbd_tum, stereo_kitti, mono_euroc and stereo_euroc

(b)
include文件夹包含：对应src中程序的代码函数头文件
src文件夹包含：相应程序的代码函数的c++文件，编译生成libORB_SLAM2.so以库的形式链接到主程序中
Examples文件夹包含：不同类别的相机的主程序以及使用不同数据集时的参数文件

©
链接到以下库：OPENCV、EIGEN3、Pangolin、DBoW2、g2o

target_link_libraries(${PROJECT_NAME}
${OpenCV_LIBS}
${EIGEN3_LIBS}
${Pangolin_LIBRARIES}
${PROJECT_SOURCE_DIR}/Thirdparty/DBoW2/lib/libDBoW2.so
${PROJECT_SOURCE_DIR}/Thirdparty/g2o/lib/libg2o.so
)

结构理解：摘自 https://blog.csdn.net/u010128736/article/details/53157605

可以看到ORB-SLAM主要分为三个线程进行，也就是论文中的下图所示的，分别是Tracking、LocalMapping和LoopClosing。ORB-SLAM2的工程非常清晰漂亮，三个线程分别存放在对应的三个文件中，分别是Tracking.cpp、LocalMapping.cpp和LoopClosing.cpp文件中

这张图里可以看出orb一共有三个线程，分别负责跟踪（TRACKING）、局部建图（LOCAL MAPPING）和闭环（LOOP CLOSING）功能，同时又增加了重定位（PLACE RECOGNITION）功能。
（1）跟踪（Tracking）
  这一部分主要工作是从图像中提取ORB特征，根据上一帧进行姿态估计，或者进行通过全局重定位初始化位姿，然后跟踪已经重建的局部地图，优化位姿，再根据一些规则确定新的关键帧。

（2）建图（LocalMapping）
  这一部分主要完成局部地图构建。包括对关键帧的插入，验证最近生成的地图点并进行筛选，然后生成新的地图点，使用局部捆集调整（Local BA），最后再对插入的关键帧进行筛选，去除多余的关键帧。

（3）闭环检测（LoopClosing）
  这一部分主要分为两个过程，分别是闭环探测和闭环校正。闭环检测先使用WOB进行探测，然后通过Sim3算法计算相似变换。闭环校正，主要是闭环融合和Essential Graph的图优化。

6.1

第一次编译出错

Frame.h文件添加 #include <unistd.h>

6.2

在原有的CMakeLists.txt文件最后添加：

add_executable(myvideo myvideo.cpp)
target_link_libraries(myvideo ${PROJECT_NAME})

6.3