ORB-SLAM3论文（一）

ORB-SLAM3（一）

ORB-SLAM3：精确的开源视觉、视觉惯导融合以及多地图SLAM库

论文链接：https://arxiv.org/abs/2007.11898

代码链接：

（gitte转载下载较快，760M就很过分！！）:https://gitee.com/ustbcxk/ORB_SLAM3

（原始链接）：https://github.com/UZ-SLAMLab/ORB_SLAM3

本人编译时没有遇到太多问题，所以在此引用知乎一位朋友的避坑指南（小秋SLAM笔记的编译踩坑文）： https://www.zhihu.com/question/408916240/answer/1361086876。

文章摘要：本文介绍了ORB-SLAM3，这是第一个能够用单目、立体和RGB-D相机，使用针孔和鱼眼镜头模型进行视觉、视觉惯性和多地图SLAM的系统。第一个主要的创新是一个基于特征的紧密集成视觉惯性SLAM系统，它完全依赖于最大后验概率（MAP）估计，甚至在IMU初始化阶段也是如此。其结果是一个系统，在小型和大型，室内和室外环境中都能稳定地运行，并且比以前的方法精确2到5倍。第二个主要的创新是一个多地图系统，它依赖于一种新的位置识别方法和改进的召回。多亏了它，ORB-SLAM3能够在长时间的不良视觉信息下生存：当它丢失时，它会启动一个新的地图，当重新访问地图区域时，它将与以前的地图无缝地合并。与只使用最后几秒信息的视觉里程计系统相比，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。这允许包含束内调整共可见关键帧，这些关键帧提供了高视差观测，提高了精度，即使它们在时间上相隔甚远，或者它们来自以前的映射会话。我们的实验表明，在所有的传感器配置中，ORBSLAM3与文献中可用的最佳系统一样健壮，并且更精确。值得注意的是，我们的立体惯性SLAM在EuRoC无人机上的平均精度为3.6cm，在TUM-VI数据集（AR/VR场景的一个典型设置）中，快速手持移动时的平均精度为9mm。为了社区的利益，我们公开源代码。

一、关于ORB-SLAM3

相对于ORB-SLAM2以及ORB-SLAM-VI，其最大的亮点有：1、基于特征的紧密集成视觉惯性SLAM系统（将极大后验概率估计MAP用于IMU初始化等）；2、多地图SLAM系统（新的位置识别方法）；

1、在IMU初始化阶段引入MAP思想，提高了初始化速度，并且极大提高了鲁棒性，精确度提升明显。

2、多子地图系统大大提高了系统召回率，ORBSLAM3在视觉信息缺乏甚至丢失时具有更高的鲁棒性。当跟丢目标时将会重建一个子地图，并在回环loop closing过程中与之前的非活动地图合并。故ORB-SLAM3是第一个可以重用历史所有算法得到的信息的系统，也就以为着之前的共视关键帧也可以用来一起BA（无论是地图集里活动地图还是非活动地图的共视关键帧）。

二、ORBSLAM3框架

整体框架以ORB-SLAM2为基础，进行了改进，图1为ORB-SLAM2框架，图2为ORB-SLAM3框架：

​ 图1 ORB-SLAM2框架图

​ 图2 ORB-SLAM3框架图

从框架图中也可以看出，ORB-SLAM3最突出的两点是IMU融合、地图集（map atlas）以及地图融合（map merging）。