ORB-SLAM3无限期学习体会

已于 2023-11-28 15:32:50 修改
阅读量576 收藏 5
点赞数 1
文章标签： 自动驾驶 人工智能
于 2022-08-12 14:05:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26675881/article/details/126303057
版权

目录

框架:

Tracking: 

LocalMapping:

LoopClosing:

Relocalization: 

IMU:

Mappoint:

框架:

        在第二代版本基础上, 增加了IMU, 提升了位置识别性能, 并加入了地图集atlas. 另外, 相机模型不局限于pin hole, 也可以使用fisheye甚至只要包括投影,反投影, 雅各比矩阵等参数的任意相机模型. 配合一些代码优化, 成为现在性能最爆炸的vislam算法!. 很多和2代一样

      三板斧概括: 分情况使用运动模型(motion)/关键帧进行track, 然后根据共视关系更新局部地图点, 通过投影匹配等操作更新当前帧的匹配地图点, 根据重投影误差再优化pose一次, 即trackLocalMap. 插入关键帧时, 对localMap进行局部BA和地图点fuse. 同时也根据是否发生回环进行全局BA, 此部分主要是本质图优化, 加少量迭代次数的全局BA.

        主要分为三个框架:

  1. Tracking: 检测特征点, 匹配相邻帧的特征点以此优化当前帧的位姿. 根据局部地图点进一步优化pose.
  2. LocalMapping: 如果当前帧满足一定条件被加入关键帧列表, 则根据共视图, 在局部进行BA,  更新地图局部区域. BA之前, 匹配的的地图点会被fuse, 避免冗余. 分为正向反向两个fuse.
  3. Loop closing: 每当加入新的关键帧,  若检测到回环帧, 进行CorrectLoop以及全局BA. 本质图只优化位姿；而全局/局部BA即优化位姿又优化地图点.

详细讨论双目情况

Tracking: 

        首先根据运动模型/关键帧进行追踪, 获得当前帧位姿初始值. 如果上一帧追踪失败, 但状态为RECENTLY_LOST, 可以根据IMU进行预测, 如果lost, 可以通过重定位抢救.
        上述第一阶段成功搞出来一个位姿了, 则进行局部追踪. 根据一级邻居以及二级邻居, 父子关键帧更新局部关键帧(mvpLocalKeyFrames). 然后根据初始位姿投影这些局部关键帧的地图点到当前帧进行匹配, 利用这些新增的地图点继续进行位姿优化. 并且把匹配上的地图点关联到当前帧. 然后判定是否为关键帧, 若是, 进入局部BA. (这里局部ba时使用的按时序回溯的某些关键帧, 而不是局部追踪那种共视帧). 检测到回环的话, 还要终止局部ba, 进行全局ba.

  1. GrabImageStereo/RGBD/Monocular:
    1. 处理输入的帧, 进行ORB特征提取与匹配
      1. 暴力匹配左右目特征点, 进行三角化(多一个lowe's ratio筛选)
  2. 然后用根据motion model/refKeyframe/relocalization, 给定一个初始位姿:
    1. 追踪定位(最小化地图点投影到当前像素坐标的差). 如果运动模型不可用, 就用目前的参考关键帧追踪, 否则用运动模型追踪. 
    2. 注意, 只要距离开机/重定位过了几帧, 而且恒速模型存在或者imu初始化了, 都优先使用motion model. 此时如果imu初始化了, 直接根据imu预测位姿, 然后return. 否则利用上一帧的运动量(恒速模型)mVelocity进行初始位姿预测, 然后多一个额外的投影匹配地图点进行位姿优化.
    3. TrackReferenceKeyFrame()的话, 首先会使用bow加速特征点匹配, 减少描述子距离的计算,不属于同一node的描述子直接跳过匹配. 属于同一node的才计算描述子距离.
  3. TrackLocalMap(): 更新局部关键帧s, 局部地图点s. 根据投影匹配地图点, 进行重投影误差优化位姿
    1. localkeyframes: 遍历当前帧的地图点，将观测到这些地图点的关键帧(一级共视)和它们的一级关键帧,及其父子关键帧，作为mvpLocalKeyFrames: 即

      1. 能观测到当前帧地图点的关键帧，也称一级共视关键帧

      2.  一级共视关键帧的共视关键帧，称为二级共视关键帧

      3.  一级共视关键帧的子关键帧、父关键帧

    2. localmappoints: 遍历局部关键帧, 它们匹配上的地图点即可得到局部地图点. 

    3. 设定搜索搜索窗口的大小, 取决于视角

    4. 利用未使用且在视野范围内的局部地图点进一步优化当前帧的位姿(将地图点投影到当前帧, 在局部搜索匹配一个点, 然后利用这些匹配即可更新位姿, searchbyprojection). 这些利用了的局部地图点也会更新到当前帧的地图点. 

    5. 优化: 只要imu预积分信息正常可用, 就会加入惯性误差优化, 否则只利用重投影误差优化位姿.

  4. 当前帧的参考关键帧会被更新为: 局部图中共视程度最高的关键帧
  5. 会记录每一帧的refkeyframe以及之间的相对位姿, 这样可以间接优化每一帧的世界位姿, 因为keyframe位姿会得到优化.
  6. 关键帧插入条件: 当前帧的匹配点(包含局部地图新增的)和参考关键帧相比较少, 且有一定量的匹配内点(>15). 当然有其他条件:
    1. 没有正在进行回环闭合
    2. 没有刚刚重定位
    3. 没有刚刚才插(id间隔小于mMinFrames),
    4. 没有超出最大kf数, 
    5. localmapper不繁忙
  7. 每一帧并不是所有特征点对应的mappoints都会加入到世界地图, 但是为了使得相邻帧的追踪可靠(MotionModel), 在追踪前会生成一个临时构建的地图(新增了那些未加入的地图点, 根据像素坐标反推)-updatelastframe(). 当然, 如果上一帧是关键帧, 忽略此步.  因为位姿优化的初值基于上一帧位姿, 如果上一帧位姿不好, 需要考虑更多特征点. 关键帧由于会进行局部map以及回环闭合, 位姿很好, 所以没必要再加特征点了.
  8. 当追踪失败时, 在一定条件下会将当前帧标记为RECENTLY_LOST. 后面再来新的帧, 结合IMU看是否能重新获得位姿,  如果连IMU都不行, 只能重定位. 如果还不行, 就记为丢失状态了. 要新建一个地图了(如果当前地图关键帧很少直接重置). 这里借鉴一下计算机视觉life/SLAM研习社的一个流程图注释

LocalMapping:

        这一部分就属于后端了, 是一个单独的线程. 前端存储的候选关键帧, 逻辑上都会送到这里. 首先是计算添加, 后端可能会用到的一些属性, 譬如BoW向量, 共视帧等等. 然后三角测量产生新的地图点(似乎地图只在这里产生新物理特征/地图点). 为了避免重复建点, 会进行局部地图点融合. 后续接上局部BA以及MU初始化两个优化过程, 并进行关键帧去冗余操作. ORB3这里提出了MAP(一大改进)初始化方式, 后续某两个时刻(run()的某两次循环)还会再进行IMU初始化.

  1. 处理关键帧: 计算BoW、更新观测、描述子、共视图，插入到地图等
  2. 去除当前帧一些不好地图点.
  3. 共视图中最好的nn帧成为邻接图, 或者邻居. 
  4. 三角化, 局部产生新的地图点.
  5. 找到和最新关键帧共视程度最好的那些一级邻居及二级邻居, 然后fuse地图点, 包括正向和反向两个融合.:

    1. 将当前关键帧地图点投影到每一共视关键帧, 进行匹配(正向融合):

      1. 如果地图点能匹配关键帧的特征点，并且该点有对应的地图点，那么选择观测数目多的替换这两个地图点.

      2. .如果地图点能匹配关键帧的特征点，并且该点没有对应的地图点，那么为该点添加该投影地图点

    2. 将共视关键帧地图点投影到当前关键帧, 进行上述同样操作.(反向融合)

  6. 处理完所有等待关键帧之后,如果之前地图完成了初始化, 进行LocalInertialBA. 如果没有初始化或者不是IMU模式, 直接LocalBundleAdjustment. 
  7. 如果地图没初始化, 进行初始化
  8. 局部更新后, 如果某一共视关键帧的地图点, 90%都能被其他帧观测到, 判定为冗余的. 需要删除的是该关键帧和其他所有帧、地图点之间的连接关系.. 给冗余关键帧setbagflag. 此时只考虑了一级共视图.
  9. 进行第二第三次初始化. 初始化都是通过InitializeIMU(, , )函数操作.
  10. LocalBundleAdjustment: 只优化了一级共视图及及它们的地图点. 地图点的观测不在共视图中的话, 固定该观测帧位姿, 只优化地图点. 优化利用的是投影误差.

  11. LocalInertialBA:  由于加入了惯性数据, 限制了关键帧数量. 如果追踪的效果不错(bLarge), 可以增大关键帧数, 减小迭代次数.  注意, 惯性数据需要连续性, 所以这里惯性部分对应的关键帧是按时间回溯过去的一些连续帧--vpOptimizableKFs, 投影误差还是按一级共视处理--lpOptVisKFs. 优化利用的是投影误差以及惯性误差.

      正常slam会局部更新, 定位模式下, 如果发生了重定位, 也需要一次局部更新. 初始化时, 会根据第一帧的特征点反投影到相机坐标(也就是世界坐标), 然后添加地图点. 全局的第一帧是不会优化的. 每当有新的关键帧来临, 且局部地图中的关键帧大于2个的时候, 进行局部地图的BA(一次局部BA只新加一个新的关键帧). 

LoopClosing:

        首先会检测当前KF和回环线程KF库里面每个KF的共视区域, 有重合则跳出. 其运行过程中, 逻辑上首先会进行几何校验, 在之后的回环检测中, 可能会先进行时序校验. 

  1. NewDetectCommonRegions():

    1. DetectNBestCandidates: 遍历KF库, 统计每一KF和当前KF有多少公共单词. 找出最大的共视单词数, 并将其0.8倍作为阈值, 将部分KF以及BOW相似度加入到lScoreAndMatch. 然后遍历lScoreAndMatch, 遍历每个KF的10个共视帧, 将其中出现过公共单词的那些帧的score累积(accScore)并求最大score(bestScore). 然后安装accScore遍历KF, 将其加入LoopCandidate或者mergeCandidate(看是否在当前map).

    2. DetectCommonRegionsFromBoW: 对上述的N个候选pKFi进行遍历分析:

      1. 遍历候选KF的共视帧vpCovKFi, 如果和当前KF共视图有重合, continue继续分析下一候选.

      2. 重新遍历vpCovKFi, 和当前KF进行描述子匹配(只计算同一node).

      3. 继续遍历vpCovKFi, 统计和当前KF匹配上的mp个数numBoWMatches.

      4. 如果numBoWMatches大于阈值, 则ransac迭代计算pKFi和当前KF的位姿. 如果收敛, 则把pKFi的共视帧的地图点投影到当前KF. 如果匹配个数满足阈值, 则可以计算当前KF和pKFi的sim3位姿. 如果内点够多, 严苛条件再投影匹配一次, 如果匹配个数大于阈值, 则可以最终比较当前KF共视图和pKFi的有效性(几何校验). 如果有效个数大于3, 则认为检测到公共区域.

  2. CorrectLoop(): 检测到公共区域, 则开始回环矫正
    1. 根据上述相对位姿, 修改当前KF的共视图的位姿和地图点.
    2. 并且把匹配KF的局部地图点和当前KF地图点进行一些融合.
    3. 然后开启本质图优化, 规模不大时还开启全局BA.

  3. 因为地图点通常几次更新就变化不大了, 所以先进行本质图优化, 再进行少量的全局BA. 有初始化就使用FullInertialBA, 否则使用GlobalBundleAdjustemnt.

    1. GlobalBundleAdjustemnt: 优化了所有的有效kf(!isbad())以及mp, 具体做法就是遍历每个地图点观测, 计算投影误差.

    2. FullInertialBA: 如果地图还处于第一二次初始化阶段, 大家bias都认为一样, 否则每一帧都要优化一个偏置, 通过边EdgeGyroRW, EdgeAccRW让二者尽量靠近,不要跑飞. 

        本质图包括哪些?

  1. spinnig tree: 子关键帧及他们的父关键帧, 没有父关键帧的不在树中. 每添加一个关键帧, 都会选取一个共视程度最高的关键帧作为父关键帧.
  2. 闭环帧
  3. 共视极佳的帧
  4. 上一惯性帧

Relocalization: 

用BoW在当前地图中选出相似且匹配点>=15的关键帧,然后分别都用MLPnP估计当前帧位姿. 如果估计内点数N<10, 直接看下一个候选. 如果N<50, 用投影匹配更多点, 如果N加上这些点大于50, 可以再用投影匹配的点优化一下. 最后内点数>50则判定重定位成功.

IMU:

        物体的短暂运动状态由当前速度, 配合加速度以及角速度来确定. 物体追踪丢失时(没有信号了, 画面被遮挡了, 等等), 可利用这三个参数大差不差地估计物体位置. IMU就是测量这些加速度和角速度的. 角速度也用陀螺仪称呼. IMU测量的加速度和陀螺仪受到外界干扰容易产生漂移, 所以ORB-SLAM3会在优化过程中, 除了速度外, 还优化加速度以及陀螺仪的偏置, 用来修正IMU测量漂移.

各个对象的时间关系如下.

  1. 预积分之前的标定, 采用中值定理估计. a_i是i时刻的加速度(陀螺仪同理分析). 这一步的意思就是每个时间段的数据取平均值, 进行之后的预积分累加. 注意这里x到a_0, a_0到a_1均值一样, 只算了一次, deltaT= t_{a_1} - t_{x}.

  2. 每考虑或者说添加一个小区间的measurement, 就更新预积分的位移,速度, 旋转向量
  3. // 考虑偏置后的加速度、角速度
Eigen::Vector3f acc, accW;
acc << acceleration(0) - b.bax, acceleration(1) - b.bay, acceleration(2) - b.baz;
accW << angVel(0) - b.bwx, angVel(1) - b.bwy, angVel(2) - b.bwz;

dP = dP + dV * dt + 0.5f * dR * acc * dt * dt; // 更新位移, 转换到之前的imu坐标系
dV = dV + dR * acc * dt; // 更新速度, 转换到之前的imu坐标系
IntegratedRotation dRi(angVel, b, dt); // 根据角速度, 即旋转向量求旋转向量
dR = NormalizeRotation(dR * dRi.deltaR); // 更新旋转矩阵
  4. 上述更新固定了两帧之间imu测量的偏置, 为了考虑偏置本身的变化, 有如下的预积分公式, 所以我们还要更新三个目标量对偏置的导数.
  5. 偏置的导数公式如下, 是个求和形式, 所以也可以一步一步的累加更新. 当然ORB3对此式做了修改, 方便迭代更新(似乎是右式i到k的量都替换成了i到k-1, 也就是上一时刻的累计导数, 所以有了如下的更新方式)

  6. 最后的预积分量就是固定偏置计算的量和一阶泰勒展开的"求和", 上面的公式44

Mappoint:

        它也有描述子, 就是对应角点的描述子.当然会在所有观测中选择一个最优的, 即和其他描述子距离中值最小的那个描述子.

跑自己的数据还挺容易, 主要是用yaml标定传感器的参数, 改一下dataset路径即可. 

slam工程师
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ORB-SLAM3在众多SLAM方法中处于怎样的地位？详解原理与代码！
CV_Autobot的博客
03-06 299
作者|INDEMIND编辑|3D视觉之心点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『SLAM』技术交流群本文只做学术分享，如有侵权，联系删文ORB-SLAM最早的版本在2014年的RSS上发布，在2016年作者又发布了ORB-SLAM2,接着在2020年发布了ORB-SLAM 3。ORB-SLAM1只能...
ORB-SLAM3论文总结
qq_40114620的博客
08-29 695
ORB-SLAM3 摘要 ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统，可以在单目，双目和RGB-D相机上利用针孔或者鱼眼模型运行。 他是第一个基于特征的紧耦合的VIO系统，仅依赖于最大后验估计(包括IMU在初始化时)。这样一个系统的效果就是：不管是在大场景还是小场景，室内还是室外都能鲁棒实时的运行，在精度上相比于上一版提升了2到5倍。 本文的第二个创新点是根据改进recall的新的重定位模块来构建的混合地图，因为这个模块他可以让ORB-SLAM3在特征不是很好的场景中长期运行：当里
ORB-SLAM3源码阅读笔记(8)-LocalMapping
qq_41861406的博客
05-11 775
在LocalMapping.cc这个文件中主要做了两件事，一是局部关键帧和地图点的优化，二是imu的初始化。 根据ORB-SLAM3论文和代码，imu的初始化一共有三个阶段： 纯视觉的MAP估计。系统运行2s，地图中大概有10个关键帧和几百个地图点时，进行一次纯视觉的局部BA，优化关键帧位姿和地图点。 仅imu的MAP估计。估计imu的速度、bias(初始化过程中假设不变)、重力方向旋转矩阵Rwg(将第一帧相机确定的世界坐标系的负z轴旋转到与重力方向重合的方向)、尺度s。通过预积分构建imu残差，利用图优
ORB-SLAM3整体结构梳理
3D视觉工坊
08-24 1616
作者丨成长中的菜鸟@知乎来源丨https://zhuanlan.zhihu.com/p/402301643编辑丨3D视觉工坊1、整体框架1.1 Tracking 模块处理传感器信息并实时计...
一起研究ORB-SLAM（三）--LocalMapping和LooplClosing线程
u013474432的专栏
11-14 3530
转载自：一起研究ORB-SLAM（三）--LocalMapping和LocalClosing线程 上两篇文章主要介绍了ORB-SLAM中最重要的三个线程中的一个，今天这篇文章介绍最后一个线程，这个介绍完事了之后，就开始介绍里头的算法了！！！  依然是上一篇的问题，能告诉我ORB-SLAM中主要的三个线程是什么吗？  Tracking LocalMapping 和 LocalClosing 。
ORB_SLAM3 LocalMapping中CreateNewMapPoints
最新发布
火柴的初心的博客
01-14 969
在的中，通过与新插入关键帧中ORB特征进行匹配，并抛弃其中的匹配点对，接着通过生成地图点。
VI_ORB_SLAM2:基于ORB-SLAM2的MonocularStereo视觉惯性ORB-SLAM
05-14
VI_ORB_SLAM2：基于ORB-SLAM2的单目/立体视觉惯性ORB-SLAM 该存储库包括Visual-Inertial ORB-SLAM的Monocular版本和Stereo版本。 这两个是的和的。 有关详细信息，您可以参考Examples/Monocular/mono_euroc_VI.cc和...
ORB-SLAM3论文.pdf
10-22
ORB-SLAM3论文.pdf ORB-SLAM3是视觉SLAM（Simultaneous Localization and Mapping，同步定位和映射）领域的一个开源库，能够处理视觉、视觉惯性和多图SLAM任务。该系统可以使用单目、立体和RGB-D摄像机，并支持针孔...
《ORB-SLAM2源码解析》学习手册v1.0-对外.pdf.pdf
03-08
ORB-SLAM2源码解析学习手册v1.0-对外.pdf.pdf ORB-SLAM2是基于视觉的SLAM（Simultaneous Localization and Mapping）算法的开源实现，能够实时生成高精度的地图和定位信息。在计算机视觉领域中，SLAM技术被广泛应用...
《ORB-SLAM2源码解析》学习手册v1.0-对外.pdf
07-08
《ORB-SLAM2源码解析》学习手册v1.0-对外.pdf
ORB_SLAM3_vision3d:主要对ORB-SLAM3的注释与bug修复，以及与优化提速
04-23
ORB_SLAM3_vision3d 本仓库主要folked from ，主要对其进行代码注释，与bug修复。 主要参与的工作人员 本工程主要由公众号「3D视觉工坊」的嘉宾及博主一起协同完成，仍在持续完善中。 Other things 由于我们在学习过程中，难免会借鉴参考其他优秀的博客与工程，如有不当之处，还请批评指正。 也希望更多的小伙伴能够加入我们的学习队伍，联系邮箱： ORB-SLAM3 V0.2: Beta version, 21 Jul 2020 Authors: Carlos Campos, Richard Elvira, Juan J. Gómez Rodríguez, , . ORB-SLAM3 is the first real-time SLAM library able to perform Visual, Visual-Inertial and Multi-Map
基于ORB-SLAM3库搭建SLAM系统
07-09
基于ORB-SLAM3库搭建SLAM系统 ORB-SLAM3库是目前最流行的SLAM（Simultaneous Localization and Mapping，同步定位与建图）解决方案之一，它基于计算机视觉和机器人技术，能够实时构建环境地图并跟踪相机的运动。...
【ORB_SLAM3源码解读】手撕IMU预积分公式
小秋 AI SLAM 入门实战教程
04-01 1319
从零开始学习SLAM我学习过写过的代码都在这儿了 代码实战地址：https://github.com/xiaoqiuslamshizhanjiaocheng/xiaoqiuslamshizhanjiaocheng 图文原理地址：https://blog.csdn.net/qq_21950671/category_11508951.html?spm=1001.2014.3001.5482 视频原理地址：https://space.bilibili.com/222855903?spm_id_from=333.1
Oriented Fast神奇高效的代码实现方式——ORBSLAM2源码讲解（二）
weixin_45947476的博客
02-14 4437
文章目录前言一、基础知识二、灰度质心法原理二、使用步骤1.引入库2.读入数据总结 前言 本博客结合哔哩大学视频ORBSLAM2【ORBSLAM2源码讲解专题一】ORB特征点提取与均匀化策略和高翔的《视觉SLAM十四讲》总结。 代码参照github的ORB_SLAM2_detailed_comments ORBSLAM2代码很经典，而且代码量大，会分成多个博客研究，下为slam专题的其他链接： 代码要求环境做了总结，解决了配置中的一些常见问题：slam的环境配置大全–保姆教学 代码如何运行记录：ORB_..
基于英特尔开发套件使用ORB-SLAM3实现无人机实时定位
英特尔边缘计算社区
09-12 1471
在无人机巡检建模中，SLAM算法需要提供可靠的位姿估计以知晓机体的位移和在地图中的位置，这需要跟踪线程尽可能快地处理传感器数据，即消息帧的处理频率要尽可能高。在本次测试中，我们在AIxBoard上运行了SLAM算法，在双目相机以约30 Hz的频率拍摄的情况下，追踪线程的平均处理速度能达到29.69 Hz，说明可以程序可以稳定地处理所有到来的双目图像。
ORB-SLAM3相对于ORB-SLAM2有哪些优势？
3D视觉工坊
01-16 1334
01背景介绍自主导航是机器人基础性和关键性技术，是机器人实现其他更高级任务的前提。视觉 SLAM (Simultaneous Localization And Mapping) 利用视觉传感器获取环境图像信息，基于多视图几何算法构建环境地图。视觉SLAM技术广泛应用于无人驾驶、元宇宙、游戏、智能机器人等领域。在无人驾驶方面，一些大厂如腾讯、阿里、百度、华为、小米、商汤等企业投入重金研发，开放大量关...
ORB SLAM3加载Vocabulary更快ORBvoc.bin
qq_41861406的博客
08-02 527
将ORBvoc.bin拷贝到Vocabulary文件夹下，ORBvoc.bin百度云盘下载地址 密码idr0,记得解压缩。
【SLAM学习笔记】9-ORB_SLAM3关键源码分析⑦ Optimizer（四）尺度与重力优化
qq_47891062的博客
11-21 739
2021SC@SDUSC
ORB-SLAM3：单目+IMU初始化流程梳理
weixin_46363611的博客
01-30 5962
目录Brief参考文献理论基础StepsVision-OnlyInertial-OnlyVision-Inertial BAImplementation相关解读文章 Brief 参考文献 ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM Inertial-Only Optimization for Visual-Inertial Initialization Visual-Ine
ORB-SLAM2特征点提取匹配存在的问题
06-02
ORB-SLAM2是一种基于特征点的视觉SLAM算法，主要利用ORB特征点进行图像的匹配和姿态估计。虽然该算法在很多场景下表现出色，但是在某些情况下，还是存在一些问题，比如： 1. 特征点分布不均匀。ORB特征点是通过FAST角点检测器和BRIEF描述子生成的，但是在某些场景下，比如低纹理区域或者重复纹理区域，可能无法检测到足够的角点，导致特征点分布不均匀。 2. 特征点匹配错误。由于环境的变化、遮挡等原因，可能会导致特征点匹配错误，从而影响SLAM系统的性能。 3. 运动模糊和图像噪声。在快速运动或者低光照条件下，可能会出现运动模糊和图像噪声，导致特征点提取和匹配的错误率增加。 针对这些问题，可以考虑使用其他的视觉SLAM算法，比如基于直接法的算法，或者结合深度学习的算法，如深度学习视觉SLAM。同时，也可以通过改进ORB-SLAM2的特征点提取和匹配算法，来提高其在复杂场景下的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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