【论文笔记】ORB-SLAM: A Versatile and Accurate Monocular SLAM System一种准确的多功能单目SLAM系统

文章摘要

文章提出了ORB-SLAM，一种基于特征的单目SLAM系统，支持实时、户内外环境下工作。这个系统在复杂的移动杂乱中具有鲁棒性，允许宽基线循环关闭和重新定位，并包括全自动初始化。选择重建点和关键帧的优胜劣汰策略具有出色的鲁棒性，并生成了一个只有在场景内容发生变化时才会增长的紧凑的可跟踪地图，使之可以终生运行。从27个最流行的数据集中进行评估，ORB-SLAM相对于其他最先进的SLAM系统具有史无前例的优秀表现。

一、研究背景与论文工作

Bundle Adjustment（把相机和三维点放在一起最小化的问题）（可以用于视觉测量中提供准确的相机定位和稀疏的几何重建。长期以来认为束调节不适合于实时的SLAM系统。
BA的第一个实时应用是MOuragon等人的视觉里程计工作，随后其他的人也有相关研究。该算法虽然限于小规模操作，但是也提供了很多研究方法。但是有几点因素限制了它的应用：
1、缺乏闭环和对遮挡物的适当处理
2、对重新定位的观点不变性低，需要人工干预进行地图引导。
于是作者设计了一套新的ORB-SLAM系统，并且进行了如下工作：
1、使用ORB特征，无需GPU的即可进行实时性能，为视点和照明变化提供了良好的不变性。
2、大环境中实时操作。
3、基于最优图的实时闭环，我们称为基本图。
4.实时摄像机重新定位，视点和照明具有显着不变性。
5、基于模型选择的新的自动且稳健的初始化过程，可创建平面和非平面场景的初始图。
6、映射点和关键帧选择的最适合方法的一种生存方法是在生成时慷慨大方，但在选择时非常严格。 由于丢弃了多余的关键帧，因此该策略提高了跟踪的鲁棒性，并提高了使用寿命。

实验团队对来自室内和室外环境的流行公共数据集（包括手持设备，汽车和机器人序列）进行了广泛的评估。值得注意的是，与直接方法相比，可以实现比现有技术更好的相机定位精度。

二、相关工作

1.位置识别：改进版的、建立在ORB特征下DBoW2上的词袋位置识别
2.地图初始化：来自两个视图的初始化方法要么假设局部场景平坦，然后使用Faugeras和Lustman 的方法从单应性中恢复相对相机姿态，要么计算一个基本矩阵， 使用Nistér的五点算法对平面场景和普通场景进行建模，这需要处理多个解。这两种重建方法在低视差条件下都没有很好的约束。
另一方面，如果看到具有视差的非平面场景，则可以使用八点算法来计算唯一的基本矩阵，并且可以恢复相机的相对姿态而不会产生歧义
提出了一种基于模型选择的自动方法，该模型用于平面场景的单应性和非平面场景的基本矩阵。
3.单目SLAM
filtering和keyframe-based方法：第一种浪费帧数，第二种相同计算成本下更准确。
PTAM SLAM “ camera tracking and mapping in parallel threads and demonstrated to be successful for real-time augmented reality applications in small environments”
采用了7自由度姿势图优化进行循环闭合的想法，并将其应用于在III-D节中定义的基本图。
“语法错误”？？？

这一部分分析了一系列大佬做的SLAM系统，并且指出了其中的不足之处，为自己的SLAM系统进行铺垫！

三、系统概述

A、特征选择
B、三个线程：跟踪，局部映射和闭环

跟踪（Tracking）负责在每帧中定位相机并确定何时插入新的关键帧。

局部映射（Local Mapping）处理新的关键帧并执行局部BA，以实现相机姿势周围环境的最佳重建。

循环关闭（Loop Closing）在每一个新的关键帧中搜索循环。如果检测到一个循环，我们计算一个相似变换，它告诉我们循环中累积的漂移

C、地图点、关键帧及其选择
D、可视性图和基本图
E、单词袋位置识别
![在这里插入图片描述](https://img-blog.csdnimg.cn

四、自动地图初始化

地图初始化的目标是计算两帧之间的相对姿态，以三角化一组初始地图点。
代码的步骤如下：
1）查找初始对应关系
2）两个模型的并行计算
3）模型选择
4）运动恢复中的运动和结构
5）BundleAdjustment（把相机和三维点放在一起最小化的问题）

五、追踪

暂且读到这里，本篇论文后续与前端关系不大，学到后端后再阅读!