orb-slam评价

作者:半闲居士
链接:https://www.zhihu.com/question/35116055/answer/85416630
来源:知乎
著作权归作者所有,转载请联系作者获得授权。

前一阵出了orbslam2,提供单目,双目和rgbd接口。加之代码也很整洁,确实是很好的工作。
特点是以orb特征贯穿始终,从一开始的特征处理,匹配,以及用于回环的bag-of-words,词典,全用的是orb。下面说说我个人对它的一些看法。

作者从opencv2.4的orb改进了一版,比opencv里的orb多了一个网格处理,尽量保证每小块图像都能提到特征,避免了局部特征点不足的情形。据我个人的测试(Thinkpad T450 i7),在640x480的图像中提取500orb约用时13ms左右,匹配精度可以接受,满足实时性要求。

相比于lsd-slam,orb-slam更像一个系统工程——采用当前各种主流的方式计算slam。它稳重大方,不像lsd那样追求标新立异。orb-slam基于研究了很久的特征点,使用dbow2库进行回环检测,具备重新定位能力,使用g2o作为global和local的优化,乃至pnp也用g2o来算。从效果而言比lsd优化,代码也比lsd整洁,更适合继续开发。虽说如楼上所言不像ptam那么惊艳(比如slam++名字好听效果好看但是不开源啊),我们做研究毕竟还是效果至上。

个人觉得,orb-slam的动机还是单目slam,用来做双目或rgbd有些不足。至少orb的建图部分只含有稀疏的map point,不管用于机器人还是AR/VR,这无论如何是不够的。如果给它加上一个较好的地图模块,相信会更加受欢迎。



附上我自己的orb-slam2在手持kinect2上的视频,仅供参考:
pan.baidu.com/s/1eRcyW1
<img data-rawheight="471" data-rawwidth="834" src="https://i-blog.csdnimg.cn/blog_migrate/4ccc350ddb06d165680c7974343244d5.png" class="origin_image zh-lightbox-thumb" width="834" data-original="https://pic3.zhimg.com/a59b329910d3551358055acf7dc0f96e_r.png">
------------- 2016.2.25 -----------------
优点:回环检测做的很好,基本上只要见过的场景都能找回来。接口丰富,代码清楚。
缺点:
* kinect2 qhd分辨率下(960x540),默认参数,thinkpad T450,帧率<=10Hz;
* 运行前要读取一个几百兆的字典——调试程序的时候比较考验耐心;
* 比较容易lost,虽然也容易找回来;
* 尼玛为什么不支持地图保存和读取!
&amp;lt;img data-rawheight=&quot;211&quot; data-rawwidth=&quot;719&quot; src=&quot;https://i-blog.csdnimg.cn/blog_migrate/34ffa94e0e4bc523b6805905a638c269.png&quot; class=&quot;origin_image zh-lightbox-thumb&quot; width=&quot;719&quot; data-original=&quot;https://pic3.zhimg.com/4181f7f2953cec31fdeb79e015e992ce_r.png&quot;&amp;gt;这个TODO是让我去做吗! 这个TODO是让我去做吗!

------------ 2016.3 ------------------
在kinect部分加了个稠密地图,效果看上去还可以,给做rgbd的同学作个参考:
加上地图显示就真的只有10Hz了……
这个是自己撸了个点云地图模块上去的orbslam2:
pan.baidu.com/s/1hrbW84
还有一个是改了改速度但是精度比较糙的orbslam2:

pan.baidu.com/s/1skdGeI


个人觉得客观地讲, orb-slam虽然效果看起来目前最好(我没有在自己数据集上复现),但其文章创新新并不是很大,不如PTAM,整体上感觉是基于PTAM的改进版本。(感觉就是拼出来的)
将特征改为ORB,特征提取匹配的计算量减少。增加闭环检测模块,并将其嵌入tracking模块。
orb-slam 是目前基于特征的单目slam系统中效果最好的(the state of art),
与之对应的LSD-SLAM是direct-slam中最好的,且不提取图片特征,直接基于pixels;
orb-slam论文中,作者一再强调orb-slam比lsd效果好....
整体上,orb-slam是一个很赞的单目slam系统,very impressive!


作者:黄耀
链接:https://www.zhihu.com/question/35116055/answer/63278381
来源:知乎
著作权归作者所有,转载请联系作者获得授权。

原文: https://www.zhihu.com/question/35116055

ORB-SLAM2是一种基于视觉的单目、双目和RGB-D SLAM系统,可以用于实现实时定位和地图构建。EuRoC数据集是一个常用的SLAM数据集,包含了基于激光雷达和相机的传感器采集的图像序列和位姿数据。在这里,我们将介绍如何使用ORB-SLAM2跑通EuRoC数据集,并对其结果进行结论分析。 具体步骤如下: 1. 下载EuRoC数据集,并解压缩到本地计算机中。 2. 下载ORB-SLAM2的代码,并按照说明进行编译和安装。 3. 修改ORB-SLAM2的参数配置文件,以便正确读取EuRoC数据集。配置文件位于Examples/Monocular目录下,其中有一个名为EuRoC.yaml的文件。主要修改以下参数: - Vocabulary文件路径:修改为ORB-SLAM2的词袋文件路径。 - Camera calibration文件路径:修改为EuRoC数据集中的相机标定文件路径。 - 数据集文件路径:修改为EuRoC数据集的文件路径。 4. 运行ORB-SLAM2,对数据集进行处理。运行以下命令: ``` cd Examples/Monocular ./mono_euroc PATH_TO_VOCABULARY PATH_TO_SETTINGS.yaml PATH_TO_SEQUENCE_FOLDER ``` 其中,PATH_TO_VOCABULARY是ORB-SLAM2的词袋文件路径,PATH_TO_SETTINGS.yaml是ORB-SLAM2的配置文件路径,PATH_TO_SEQUENCE_FOLDER是EuRoC数据集的文件夹路径。 5. 等待ORB-SLAM2完成数据集处理。处理完成后,ORB-SLAM2会输出定位结果、重建的3D地图等信息。我们可以对这些结果进行分析和评估。 结论分析: 在运行ORB-SLAM2的过程中,我们可以得到一些性能评估指标,例如定位精度、重建的地图质量等。通过这些指标,我们可以对ORB-SLAM2在EuRoC数据集上的表现进行评价和分析。 此外,我们还可以使用其他数据集来对ORB-SLAM2进行测试和评估,以验证其鲁棒性和泛化能力。同时,我们还可以对ORB-SLAM2的参数进行调整,以优化其性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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