多种视觉SLAM方案对比

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。
【由于时间、场地等原因，整合前人测试结果，在此附上链接，谢谢大神的分享！】

**

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，只能满足定位需求，而无法提供导航、避障、交互等诸多功能。而且目前还没有开放存储和读取地图后重新定位的功能。
2、受光照和车辆、行人等动态物体的影响太大
后续工作：对前端数据进行轨迹的优化和回环，稠密建图

【自我备注：1、保存稀疏地图的MapPoint和KeyFrame成.bin格式 ；2、如果保存成pcd格式，那么关键帧与关键点之间的关系没有办法保存。。。即pcd保存的地图信息并不完整】

二、VINS MONO

参考博文：https://blog.csdn.net/Darlingqiang/article/details/80689123
实现原理：用紧耦合方法实现的，通过单目+IMU恢复出尺度
目标：AR
整体框架：
1、Measurement Preprocessing：观测值数据预处理，包含图像数据跟踪IMU数据预积分；
2、Initialization：初始化，包含单纯的视觉初始化和视觉惯性联合初始化；
3、Local Visual-Inertia BA and Relocalization：局部BA联合优化和重定位，包含一个基于滑动窗口的BA优化模型；
4、 Loop detection and Global Pose Graph Optimization：回环检测;全局图优化，只对全局的位姿进行优化；

代码解读：
VINS代码主要包含在两个文件中：
1、feature_tracker 接收图像，使用KLT光流算法跟踪
2、vins_estimate 包含相机和IMU数据的前端预处理（也就是预积分过程）、单目惯性联合初始化（在线的标定过程）、基于滑动窗口的BA联合优化、全局的图优化和回环检测

vins主要就是两个节点：
1、一个节点算前端，为feature_tracker_node.cpp
2、另一个节点算后端，为estimator_node.cpp