介绍五种可用于RGBD的SLAM建图算法：

最新推荐文章于 2024-05-09 22:45:16 发布

顿学W

最新推荐文章于 2024-05-09 22:45:16 发布

阅读量2.8k

点赞数 9

分类专栏： SLAM 文章标签：算法自动驾驶

本文链接：https://blog.csdn.net/qq_35120962/article/details/127513800

版权

SLAM 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本文介绍五种可用于RGBD的建图算法：

Bundle fusion
InfiniTAM
RGBD SLAM2
RTAB-Map
ORB-SLAM3

Bundle Fusion

优点：

1.重建效果在所有RGB-D SLAM中靠前.

2.使用持续的local to global分层优化，去除了时域跟踪的依赖。

3.不需要任何显示的loop closure检测。因为每一帧都和历史帧相关，所以其实包含了持续的隐式的loop closure。

4.支持在GPU上实时鲁棒跟踪，可以在跟踪失败时移动到重建成功的地方进行relocalization，匹配上后继续跟踪。

缺点：

1.由于成像传感器存在噪音，稀疏关键点匹配可能产生小的局部误匹配。这些误匹配可能会在全局优化中传播，导致误差累积。

2.上述效果图片都是在作者提供的公开数据集上的效果，该数据集采集的场景纹理比较丰富，光照也比较适中。而实际重建时效果和所使用深度相机的性能、待重建场景的纹理丰富程度关系很大。对于办公室这种简洁风格的场景效果会下降很多，还有很多可改进的地方。

3.目前算法需要两块GPU才能实时运行。

4.缺乏Linux下的环境实现方案。

实际建图效果：4：40-5：55

BundleFusion: Real-time Globally Consistent 3D Reconstruction using On-the-fly Surface Reintegration - YouTube

项目官网

BundleFusion

论文

https://arxiv.org/pdf/1604.01093.pdf

代码

https://github.com/niessner/BundleFusion

InfiniTAM

官网

InfiniTAM v3

代码

https://github.com/victorprad/InfiniTAM

优点：

1.提供Linux，iOS，Android平台版本

2.CPU可以实时重建

缺点：

loop closure 不是很稳定，loop closure后经常无法消除累计漂移

没有提供带color的重建结果，需要自己写

建图效果：

InfiniTAM_哔哩哔哩_bilibili

安装教程：

InfiniTAM项目配置(Ubuntu下) - 简书 (jianshu.com)

RGBD SLAM2

优点：

RGBD SLAM2（见rgbdslam-ROS Wiki和视觉SLAM实战）是一个非常全面的系统，将SLAM领域的图像特征、优化、闭环检测、点云、octomap等技术融为一体，非常适合RGBD SLAM初学者，也可以在其基础上继续开发。

缺点：

由于要提特征（SIFT很费时）、渲染点云，导致算法实时性不太好。有时你会发现它卡在那儿不动了，不得不等它一小会。机器人如果走的太快，很容易跟丢。一旦转头快了，轨迹基本就断掉了。此外，程序采集关键帧的频率很高，稍微一会就采出几十个帧，不太适合做长时间的SLAM。

RGBD_SLAMv2实际建图效果展示：

RGBDSLAMv2 test - YouTube

安装教程：

一起做RGB-D SLAM - 创客智造 (ncnynl.com)

RTAB-Map

RTAB-Map（ Real-Time Appearance-Based Mapping）用于基于外观的实时建图，是一个通过内存管理方法实现回环检测的开源库。它限制地图的大小以使得回环检测始终在固定的时间限制内处理，从而满足长期和大规模环境在线建图要求。目前RTAB-Map已经发展成为一个跨平台的独立C ++库和一个ROS包，允许用户使用不同的机器人和传感器实现和比较各种3D和2D对于各种应用的解决方案。

1、RTAB-Map 整体描述

RTAB-Map ROS节点的框图。

所需输入是：TF，用于定义传感器相对于机器人底座的位置; 来自任何来源的里程计（可以是3DoF或6DoF）; 其中一种相机输入（一个或多个RGB-D图像，或双目立体图像），且带有相应的校准消息。

可选输入：2D激光的雷达扫描，或3D激光的点云。

输入的所有消息被同步并传递给graph-SLAM算法。

输出的是：Map Data，包含最新添加的节点（带有压缩传感器数据）和Graph; Map Graph，没有任何数据的纯图;TF，矫正过的里程计; 可选的OctoMap（3D占用栅格地图）; 可选的稠密点云地图; 可选的2D占用栅格地图。

优点：

定位精度很准，支持视觉、激光传感器，支持跨平台、ROS，在线处理

缺点：

鲁棒性不是很好，如果建图时间和重定位时间间隔得比较久，或者光线变化都很明显的话，重定位会失败

点云网格化用possion重建，不是主流的TSDF，速度会慢

重建效果不如 bundle fusion，但是也还不错

局部地图：

STM的局部占用栅格地图创建。

依赖的参数（由椭圆显示），可选用激光扫描和点云输入（由棱形显示），局部占用栅格地图可以是2D或3D。

建图效果：

realsenese D435i_Stereo双目三维重建RTAB-Map_哔哩哔哩_bilibili

官网

RTAB-Map | Real-Time Appearance-Based Mapping

代码

https://github.com/introlab/rtabmap

ORB-SLAM3

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显著提升。

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：当视觉里程计失败的时候，系统会重新构建地图并将这个地图和原来构建的地图对齐。和那些仅利用最新的几帧数据的里程计相比，ORB-SLAM3是第一个能够在所有算法阶段重用所有先前信息的系统。这样的机制就可以在BA的时候用有共视关系的关键帧，即使两帧在时间相差很远，或者来自原来的建图过程。

这个系统在EuRoC数据集上达到了平均3.6cm的精度，在TUM-VI这种利用手持设备快速移动的数据集(AR/VR场景)上达到了9mm的精度。

运行效果

[高清 720P] ORB-SLAM3_P1_1.ORB-SLAM3- TUM-VI Stereo-Inertial, room1+magistrale1+ma_哔哩哔哩_bilibili

Ubuntu安装教程

(9条消息) 在Ubuntu上安装ORBSLAM3与运行RGBD-TUM数据集_威少少熬夜的博客-CSDN博客_orbslam3运行rgbd

代码：

UZ-SLAMLab/ORB_SLAM3: ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM (github.com)