ORB-SLAM2：从编译到调试

ORB-SLAM2：从编译到调试

一、准备

1. 已经安装好opencv2.7版本以上的ubuntu系统（之前写过类似的文章）
2. 安装Pangolin 作为可视化和用户界面

sudo apt-get install libglew-dev  
git clone https://github.com/stevenlovegrove/Pangolin.git
(在Pangolin目录下)mkdir build
cd build
cmake ..
make -j4

3. （以下跟随slam14讲练习的可以跳过）安装Eigen3

git clone https://github.com/eigenteam/eigen-git-mirror.git
mkdir build
cd build
cmake  ..
sudo make install
sudo cp -r /usr/local/include/eigen3 /usr/include 

4. 安装第三方库的依赖环境（指DBoW2和G2O，ORB-SLAM2里面包含了这两个，因此只需要安装依赖环境就好）：

sudo apt-get install libboost-dev
sudo apt-get install  libeigen3-dev  libsuitesparse-dev qtdeclarative5-dev qt5-qmake  libqglviewer-dev

5. 下载安装ORB-SLAM2：

git clone https://github.com/raulmur/ORB_SLAM2.git

二、安装ORB-SLAM2

之所以把安装ORB-SLAM这部分单独提出来，是因为我在这个地方遇到了一点小问题，正常的安装其实很简单，我在台式机就是这样做的：

chmod +x build.sh
sh build.sh

它所有的操作集合在了build.sh这个文件里面。但是由于我用的是虚拟机，在执行这个命令的时候，它卡在了g2o的编译这部分，所以他出现了这个提示：

c++: internal compiler error: 已杀死 (program cc1plus)Please submit a full …………

这种情况的原因在于内存不够了，我当时选择的是2GB的内存和1G的交换空间，我本来觉得够了，但是很遗憾，它实际上是不够的。所以我用sublime或者文本编辑器打开build.sh文件。将命令分开操作，这次g2o这部分顺利的过去了，但是又卡在了ORB-SLAM的编译上。
无奈之下，我扩大了内存，当时40G的情况下内存最大是3G，还是不行，我有点懵，后来想了一下，扩大一下交换空间行不？
交换空间的扩大详见文章：https://blog.csdn.net/u011345885/article/details/73060897
所以我现在是3G内存+3G交换；这次……因为交换空间的速度明显慢于内存，所以我一点点看着它从0.6%用了一两分钟爬到100%，所以还是不行。
我本来想继续扩大内存或者交换的，但是突然想起了之前我对g2o那里的做法，一个处理不了可以把它分开进行处理吗！当时默认的命令(build.sh里面)的是 make -j，一开始我以为是只用一个核心进行处理的意思，后来看了下内存和cpu，感觉不太对，四个cpu都在100%。我上网查了一下，并没有查到，所以我用了 make -j2，这个倒是很明确，用两个处理器进行操作，两个一批进行编译，结果这次居然顺利的通过了。
因为非专业，这个原理还真是不太懂，如果大家知道麻烦告诉我一声。

三、调试

一般测试ORB-SALM都是单目和RGB-D比较多一点，双目的话，因为KITTI还是比较难下，太大了。所以优先单目和RGBD吧。
首先是数据集，TUM和KITTI两个暂时就够用了：
TUM：https://vision.in.tum.de/data/datasets/rgbd-dataset/download，这个主要是室内，单目和RGB-D
KITTI：http://www.cvlibs.net/datasets/kitti/eval_odometry.php，这个主要是室外，双目
然后是分别测试：

1. 单目
   在ORB-SLAM下新建文件夹Data，要测试的数据解压在这里就好。
   TUM数据集分为相机fr1，fr2，fr3，对应TUM1-3.yaml；
   一般第一次测试用fr1/xyz这个数据集，这个就是x，y，z方向来回动，很简单，用来检测一下系统出没出什么问题。
   其他的数据看名字就知道，比如desk就是在桌子附近来回转，room就是在房间里面扫来扫去。
   值得注意的是，运行其他数据集的时候，单目不一定能追踪成功，在台式机上能成功的在虚拟机上也不一定能成功，这就需要我们进行一些调整，比如调整初始化需求数量啊什么的，这个关系到对slam系统的理解，就不在多嘴了。
   ，以room为例，执行命令是：

./Examples/Monocular/mono_tum  Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml   Data/rgbd_dataset_freiburg1_room

2. RGB-D
   与单目不同，这里需要一个rgb和depth图片的关联文件，这是python2的一个脚本（注意不是Python3），代码见官网：
   https://vision.in.tum.de/data/datasets/rgbd-dataset/toolsassociate.py，可以直接下载。
   使用：在ORB_SLAM目录下终端输入

python2 Data/associate.py Data/rgbd_dataset_freiburg1_room/rgb.txt Data/rgbd_dataset_freiburg1_room/depth.txt >Data/rgbd_dataset_freiburg1_room/associate.txt

在Data/rgbd_dataset_freiburg1_room位置生成associate.txt文件；
然后执行rgb-slam命令：

./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml Data/rgbd_dataset_freiburg1_room Data/rgbd_dataset_freiburg1_room/associate.txt

不得不说RGB-D比单目效果要好的不少，至少在room这个数据集上表现得不错，但是在小部分数据集如fr2/pioneer_slam上面跑还是有丢追踪的情况。

剩下的，关于ORB-SLAM的改进还没有弄完，等做完再记录一下吧。