orbslam2基础

最新推荐文章于 2024-09-12 09:05:25 发布

AspyRain

最新推荐文章于 2024-09-12 09:05:25 发布

阅读量925

点赞数 8

文章标签： ubuntu

本文链接：https://blog.csdn.net/lxr0106/article/details/138223768

版权

一、内容概要

orbslam2基础介绍
orbslam2安装
orbslam2使用案例：orbslam2+kitti数据集序列图像

二、 orbslam2基础介绍

ORB-SLAM2是一种用于单目、双目和RGB-D摄像头的实时视觉定位与地图构建系统。它是由伦敦帝国学院的Raul Mur-Artal、Juan D. Tardós和J. M. M. Montiel等人开发的，是ORB-SLAM的改进版本。ORB-SLAM2结合了特征提取、跟踪、建图和定位的功能，可以在实时性和鲁棒性之间取得平衡，适用于各种环境和场景。它在计算机视觉和机器人领域得到广泛应用，可以用于自主导航、增强现实、室内导航等多个领域。
优点：
· 实时性：ORB-SLAM2能够在实时性要求较高的情况下进行定位和地图构建，适用于实时应用。
· 鲁棒性：它采用了ORB特征点描述符和RANSAC等方法，对于光照变化、视角变化等场景具有一定的鲁棒性。
· 支持多种摄像头：ORB-SLAM2支持单目、双目和RGB-D摄像头，具有较好的适用性。
· 开源：作为开源项目，ORB-SLAM2具有广泛的用户群体和社区支持，用户可以自由获取和修改源代码。
缺点：

· 对动态场景不稳定：在存在大量动态物体的场景中，ORB-SLAM2可能会出现定位漂移或者地图构建不准确的情况。
· 对重复纹理区域敏感：在具有重复纹理的区域，ORB-SLAM2可能会出现匹配错误的情况，影响定位和地图构建的准确性。
· 对于大规模环境的处理有限：在大规模环境下，ORB-SLAM2可能会受限于内存和计算资源的限制，无法有效处理大规模地图构建和定位任务。

三、 orbslam2安装

3.1 安装依赖

依赖列表:

Pangolin0.5
Eigen3.1以上
Sophus
Ceres
OpenCV
g2o
DBoW3
可以从此链接下载：
https://github.com/Gongkaka/slambook2/tree/master/3rdparty

注意!安装过程中出现虚拟机无响应或报错：

在这里插入图片描述
请扩充虚拟机内存后重试

下面是具体安装流程

Pangolin

#若没有从上面链接下载则使用：git clone https://github.com/stevenlovegrove/Pangolin.git
cd Pangolin
mkdir build && cd build
cmake ..
sudo make -j8
sudo make install

Ceres

#安装依赖
sudo apt-get install  liblapack-dev libsuitesparse-dev libcxsparse3 libgflags-dev libgoogle-glog-dev libgtest-dev

git clone https://github.com/ceres-solver/ceres-solver.git
cd ceres-solver
mkdir ceres-solver-build
cd ceres-solver-build
cmake ..
make -j8
sudo make install

opencv安装
我多次测试发现orbslam2在opencv版本号为2.-的环境下报错率较低，所以我建议下载opencv2
进入opencv官方下载链接选择2.-版本下载，我下载的是2.4.13.6

cd opencv-2.4.13.6
mkdir build
cd build
cmake -D WITH_TBB=ON -D BUILD_NEW_PYTHON_SUPPORT=ON -D WITH_V4L=ON -D INSTALL_C_EXAMPLES=ON -D INSTALL_PYTHON_EXAMPLES=ON -D BUILD_EXAMPLES=ON -D WITH_QT=ON -D WITH_OPENGL=ON ..

漫长的等待

make
sudo make install

完成后开始配置环境

sudo gedit ~/../../etc/ld.so.conf.d/opencv.conf

在里面添加:

/usr/local/lib

保存后

sudo ldconfig

再进入另一个文件

sudo gedit ~/../../etc/bash.bashrc

添加以下两行

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH

如果之前安装过其他版本的opencv，添加过这个配置可以不用添加
多版本opencv可以参考这个链接https://blog.csdn.net/learning_tortosie/article/details/80594399

#安装依赖:
sudo apt-get install qt5-qmake qt5-default libqglviewer-dev-qt5 libsuitesparse-dev libcxsparse3 libcholmod3
#若没有从上面链接下载则使用：git clone https://github.com/RainerKuemmerle/g2o.git
cd g2o
mkdir build
cd build
cmake ..
make -j8
sudo make install

DBoW3

#若没有从上面链接下载则使用：git clone https://github.com/stevenlovegrove/Pangolin.git
cd DBoW3
mkdir build
cd build/
cmake ..
make
sudo make install

3.2 安装orbslam2

首先新建一个ros工作区（也可以用现有的）

mkdir -p ~/ws_orbslam/src
cd ~/ws_orbslam
catkin_init_workspace src
catkin_make
source devel/setup.bash

然后将orb_slam2下载到主目录

cd ~
git clone https://github.com/raulmur/ORB_SLAM2.git
cd ~/ORB_SLAM2
sudo chmod +x build.sh
./build.sh

然后编译一下

sudo chmod +x build_ros.sh
./build_ros.sh

看到进度为100%和拥有这三个文件即视为安装成功
在这里插入图片描述

3.3 下载Kitee数据集

官方网站
在这里插入图片描述

官网下载过程比较繁琐，而且下载速度慢，可以进入以下链接选择下载
https://blog.csdn.net/wyy13273181006/article/details/107686370
可以选择其中一个数据集
在这里插入图片描述
任选

四、进行ORBSLAM2仿真

进入ORB_SLAM2根目录
最后就是训练集，根据自己文件设置

#执行命令:ORB-SLAM2支持单目、双目和RGBD数据，这里选择mono_kitti的单目数据集来运行和调试。
#运行命令格式为：
./mono_kitti path_to_vocabulary path_to_settings path_to_sequence
#该命令共有4个参数:

#mono_kitti:为ORB-SLAM2编译生成的针对MONO_KITTI数据集的可执行文件，一般路径为ORB-SLAM2工程目录下Examples/Monocular/mono_kitti；

#path_to_vocabulary为所选词典的路径，路径为ORB_SLAM2/Vocabulary/ORBvoc.txt；

#path_to_settings为配置文件，存放在ORB-SLAM2/Examples/Monocular下，运行时选择了KITTI00-02.yaml(可选择别的)，该配置文件中存放的相机的内参和外参，提取特征时候图像金字塔相关参数，可视化过程中用到的参数；

./mono_kitti ~/ORB_SLAM2/Vocabulary/ORBvoc.txt KITTI00-02.yaml ~/ws_orbslam/src/data_odometry_gray/00/

效果：
在这里插入图片描述
0929
常见报错可以参考：
ROS melodic 安装运行 ORB_SLAM2过程及遇到的问题与解决

五、心得体会

在深入研究和仿真ORB-SLAM2的过程中，我深刻体会到了这个开源视觉SLAM（Simultaneous Localization and Mapping）系统的强大和复杂性。通过实际操作和测试，我对ORB-SLAM2的实时性、鲁棒性和对多种摄像头的支持有了更直观的理解。

首先，ORB-SLAM2的实时性给我留下了深刻的印象。在仿真过程中，系统能够快速地处理输入的图像序列，并实时输出相机的位姿和构建的地图。这对于需要快速响应的应用场景，如自动驾驶和机器人导航，是非常关键的。实时性的实现得益于ORB-SLAM2高效的特征提取和匹配算法，以及优化的地图管理和更新策略。

其次，ORB-SLAM2的鲁棒性也让我感到赞叹。在仿真中，我尝试了各种光照条件、视角变化和动态场景，ORB-SLAM2都能够较好地应对。特别是在光照变化较大的场景中，ORB-SLAM2仍然能够稳定地跟踪和定位，这得益于ORB特征点描述符对光照变化的鲁棒性。此外，ORB-SLAM2还采用了RANSAC等方法来过滤错误的匹配，进一步提高了系统的鲁棒性。

此外，ORB-SLAM2对多种摄像头的支持也让我感到非常满意。在仿真中，我分别测试了单目、双目和RGB-D摄像头的数据，ORB-SLAM2都能够适应并稳定地运行。这种广泛的适用性使得ORB-SLAM2可以应用于各种不同的场景和设备，极大地扩展了其应用范围。

然而，在仿真过程中，我也遇到了一些问题和挑战。首先，ORB-SLAM2对动态场景的处理能力有限。在存在大量动态物体的场景中，ORB-SLAM2可能会出现定位漂移或者地图构建不准确的情况。这需要我们在实际应用中结合其他方法，如语义分割或光流法等，来提高对动态场景的处理能力。

其次，ORB-SLAM2对重复纹理区域敏感。在具有重复纹理的区域，ORB-SLAM2可能会出现匹配错误的情况，影响定位和地图构建的准确性。这需要我们在实际应用中注意选择合适的特征点和匹配策略，以减少这种情况的发生。

最后，ORB-SLAM2在处理大规模环境时可能会受限于内存和计算资源的限制。这需要我们在实际应用中采用一些优化策略，如分块处理、地图压缩等，来降低系统的资源消耗。

总的来说，ORB-SLAM2是一个强大而复杂的视觉SLAM系统，具有实时性、鲁棒性和对多种摄像头的支持等优点。通过仿真和测试，我对其有了更深入的理解，也发现了一些问题和挑战。我相信在未来的研究和应用中，ORB-SLAM2将会得到更广泛的应用和发展。