视觉SLAM十四讲——ch12实践（建图）

最新推荐文章于 2024-03-17 12:01:36 发布
最新推荐文章于 2024-03-17 12:01:36 发布
阅读量1.5k 收藏 34
点赞数 8
分类专栏： SLAM # 实践操作 文章标签： python 开发语言 opencv 计算机视觉 ubuntu
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_44164791/article/details/131284692
版权

视觉SLAM十四讲——ch12的实践操作及避坑

0.实践前小知识介绍

“make -j” 是一个 Linux 命令，它使用所有可用的 CPU 核心来并行编译程序。通常在不指定进程数量时，使用这个命令可以最大化地利用 CPU 资源以加快编译速度。
这个命令会启动尽可能多的进程来同时编译程序，以便快速生成可执行文件。此命令将自动检测计算机上可用的 CPU 核心数量，并在所有可用的核心上启动相应数目的编译任务。
需要注意的是，由于多个进程同时在运行，因此使用 “make -j” 命令时可能会出现输出混乱的情况，但这不影响编译结果的正确性。如果您希望更清晰地查看编译过程，可以使用 “make VERBOSE=1” 命令，它会打印出更详细的编译信息。

“make -j8” 是一个 Linux 命令，意思是在编译时使用8个并行进程来加快编译速度。其中的 “-j” 参数表示并行进程数，后面的数字 “8” 表示使用 8 个进程来编译。

通过使用多个并行进程，可以同时处理多个编译任务，并且不会影响编译的正确性。这样可以大大提高编译的速度，在硬件条件允许的情况下，建议使用该参数来加快编译速度。

需要注意的是，并不是所有的编译任务都适合使用多进程并行编译，因此在使用该参数时，需要根据实际情况进行选择。同时也需要注意，如果硬件条件较差，使用过多的并行进程可能会导致编译失败或者系统卡死，因此需要根据自己的硬件条件来进行调整。

1. 实践操作前的准备工作

  1. 安装PCL
sudo apt-get install libpcl-dev pcl-tools
  1. 安装octomap
sudo apt-get install liboctomap-dev octovis
  1. 在终端中进入ch12文件夹下，顺序执行以下命令进行编译。
mkdir build
cd build
cmake ..
//注意，j8还是其他主要看自己的电脑情况
make -j8

  1. 在build文件中进行运行。
    注意： 在make过程中，会出现warning，但是对我们此实践的过程几乎没有影响。

  2. 下载使用的测试数据，数据是提供了一架无人机采集的单目俯视图，一共200张，同时提供了每张图像的真是位姿。下载地址为http://rpg.ifi.uzh.ch/datasets/remode_test_data.zip

2. 实践过程

2.1 单目稠密重建

在build中执行语句：

 cd dense_mono
 ./dense_mapping /home/fighter/slam/slambook2/ch12/test_data

运行结果：
第35次迭代图像:
第35次迭代

//刚开始运行时的平均方差和平均误差：
*** loop 1 ***
Average squared error = 1.84285, average error: -1.12517
//迭代到199次时的平均方差和平均误差：
*** loop 199 ***
Average squared error = 0.253473, average error: -0.00722449

全部结果：

read total 202 files.
*** loop 1 ***
Average squared error = 1.84285, average error: -1.12517
*** loop 2 ***
Average squared error = 1.42146, average error: -0.865388
*** loop 3 ***
Average squared error = 1.05544, average error: -0.62268
*** loop 4 ***
Average squared error = 0.879682, average error: -0.515219
*** loop 5 ***
Average squared error = 0.45456, average error: -0.177368
*** loop 6 ***
Average squared error = 0.396917, average error: -0.128648
*** loop 7 ***
Average squared error = 0.364525, average error: -0.10006
*** loop 8 ***
Average squared error = 0.350139, average error: -0.0846462
*** loop 9 ***
Average squared error = 0.340283, average error: -0.0772052
*** loop 10 ***
Average squared error = 0.331579, average error: -0.0711182
*** loop 11 ***
Average squared error = 0.325072, average error: -0.0668865
*** loop 12 ***
Average squared error = 0.319159, average error: -0.0616389
*** loop 13 ***
Average squared error = 0.314988, average error: -0.0576225
*** loop 14 ***
Average squared error = 0.310317, average error: -0.0543781
*** loop 15 ***
Average squared error = 0.307007, average error: -0.0517102
*** loop 16 ***
Average squared error = 0.303809, average error: -0.0494418
*** loop 17 ***
Average squared error = 0.301495, average error: -0.0477168
*** loop 18 ***
Average squared error = 0.29937, average error: -0.0460656
*** loop 19 ***
Average squared error = 0.298098, average error: -0.0450206
*** loop 20 ***
Average squared error = 0.297042, average error: -0.0441051
*** loop 21 ***
Average squared error = 0.296148, average error: -0.0433046
*** loop 22 ***
Average squared error = 0.295283, average error: -0.0425197
*** loop 23 ***
Average squared error = 0.294497, average error: -0.0418231
*** loop 24 ***
Average squared error = 0.293742, average error: -0.0412219
*** loop 25 ***
Average squared error = 0.293078, average error: -0.0406908
*** loop 26 ***
Average squared error = 0.292565, average error: -0.0402601
*** loop 27 ***
Average squared error = 0.292155, average error: -0.0398929
*** loop 28 ***
Average squared error = 0.291749, average error: -0.0395666
*** loop 29 ***
Average squared error = 0.291299, average error: -0.0392129
*** loop 30 ***
Average squared error = 0.290664, average error: -0.0387602
*** loop 31 ***
Average squared error = 0.290207, average error: -0.0384231
*** loop 32 ***
Average squared error = 0.289564, average error: -0.037996
*** loop 33 ***
Average squared error = 0.289188, average error: -0.0377422
*** loop 34 ***
Average squared error = 0.288831, average error: -0.0373816
*** loop 35 ***
Average squared error = 0.288169, average error: -0.0369677
*** loop 36 ***
Average squared error = 0.28776, average error: -0.0366579
*** loop 37 ***
Average squared error = 0.287351, average error: -0.0363873
*** loop 38 ***
Average squared error = 0.286934, average error: -0.0361053
*** loop 39 ***
Average squared error = 0.286412, average error: -0.0357436
*** loop 40 ***
Average squared error = 0.286034, average error: -0.0354667
*** loop 41 ***
Average squared error = 0.285515, average error: -0.0351335
*** loop 42 ***
Average squared error = 0.285065, average error: -0.0347901
*** loop 43 ***
Average squared error = 0.284475, average error: -0.0343606
*** loop 44 ***
Average squared error = 0.28398, average error: -0.0339507
*** loop 45 ***
Average squared error = 0.283484, average error: -0.0335147
*** loop 46 ***
Average squared error = 0.282962, average error: -0.0330494
*** loop 47 ***
Average squared error = 0.282207, average error: -0.0324265
*** loop 48 ***
Average squared error = 0.281722, average error: -0.0319793
*** loop 49 ***
Average squared error = 0.28126, average error: -0.0314694
*** loop 50 ***
Average squared error = 0.280613, average error: -0.0308945
*** loop 51 ***
Average squared error = 0.28026, average error: -0.0304981
*** loop 52 ***
Average squared error = 0.279828, average error: -0.0301664
*** loop 53 ***
Average squared error = 0.279481, average error: -0.0299141
*** loop 54 ***
Average squared error = 0.279225, average error: -0.0297781
*** loop 55 ***
Average squared error = 0.279093, average error: -0.0296969
*** loop 56 ***
Average squared error = 0.27885, average error: -0.029586
*** loop 57 ***
Average squared error = 0.278791, average error: -0.0295429
*** loop 58 ***
Average squared error = 0.278614, average error: -0.029461
*** loop 59 ***
Average squared error = 0.278394, average error: -0.0293721
*** loop 60 ***
Average squared error = 0.278216, average error: -0.0292924
*** loop 61 ***
Average squared error = 0.27807, average error: -0.0292331
*** loop 62 ***
Average squared error = 0.277898, average error: -0.0291653
*** loop 63 ***
Average squared error = 0.277636, average error: -0.0290668
*** loop 64 ***
Average squared error = 0.27748, average error: -0.0290064
*** loop 65 ***
Average squared error = 0.277295, average error: -0.0289306
*** loop 66 ***
Average squared error = 0.277196, average error: -0.0288857
*** loop 67 ***
Average squared error = 0.277002, average error: -0.0288019
*** loop 68 ***
Average squared error = 0.276856, average error: -0.0287178
*** loop 69 ***
Average squared error = 0.276715, average error: -0.028626
*** loop 70 ***
Average squared error = 0.276542, average error: -0.0285359
*** loop 71 ***
Average squared error = 0.27639, average error: -0.0284511
*** loop 72 ***
Average squared error = 0.276233, average error: -0.0283693
*** loop 73 ***
Average squared error = 0.276015, average error: -0.0282531
*** loop 74 ***
Average squared error = 0.275862, average error: -0.0281722
*** loop 75 ***
Average squared error = 0.275723, average error: -0.0280873
*** loop 76 ***
Average squared error = 0.275545, average error: -0.027981
*** loop 77 ***
Average squared error = 0.275377, average error: -0.0278906
*** loop 78 ***
Average squared error = 0.275231, average error: -0.0278025
*** loop 79 ***
Average squared error = 0.275086, average error: -0.0277176
*** loop 80 ***
Average squared error = 0.274987, average error: -0.0276476
*** loop 81 ***
Average squared error = 0.274899, average error: -0.0275886
*** loop 82 ***
Average squared error = 0.274696, average error: -0.0274517
*** loop 83 ***
Average squared error = 0.274517, average error: -0.0272981
*** loop 84 ***
Average squared error = 0.274293, average error: -0.0271339
*** loop 85 ***
Average squared error = 0.274005, average error: -0.0268708
*** loop 86 ***
Average squared error = 0.273686, average error: -0.0265032
*** loop 87 ***
Average squared error = 0.273051, average error: -0.0257165
*** loop 88 ***
Average squared error = 0.272044, average error: -0.0243797
*** loop 89 ***
Average squared error = 0.271037, average error: -0.0231086
*** loop 90 ***
Average squared error = 0.270173, average error: -0.0222034
*** loop 91 ***
Average squared error = 0.268837, average error: -0.0205596
*** loop 92 ***
Average squared error = 0.268364, average error: -0.0192558
*** loop 93 ***
Average squared error = 0.267513, average error: -0.0182724
*** loop 94 ***
Average squared error = 0.266708, average error: -0.0175116
*** loop 95 ***
Average squared error = 0.2659, average error: -0.0167705
*** loop 96 ***
Average squared error = 0.265119, average error: -0.0160555
*** loop 97 ***
Average squared error = 0.264688, average error: -0.0156661
*** loop 98 ***
Average squared error = 0.264175, average error: -0.0152503
*** loop 99 ***
Average squared error = 0.263741, average error: -0.0148952
*** loop 100 ***
Average squared error = 0.263298, average error: -0.0145078
*** loop 101 ***
Average squared error = 0.26283, average error: -0.0139689
*** loop 102 ***
Average squared error = 0.262504, average error: -0.0136983
*** loop 103 ***
Average squared error = 0.261961, average error: -0.0132759
*** loop 104 ***
Average squared error = 0.261467, average error: -0.0128025
*** loop 105 ***
Average squared error = 0.261184, average error: -0.0125387
*** loop 106 ***
Average squared error = 0.260951, average error: -0.0123502
*** loop 107 ***
*** loop 108 ***
Average squared error = 0.260779, average error: -0.0122728
*** loop 109 ***
Average squared error = 0.260547, average error: -0.0121443
*** loop 110 ***
Average squared error = 0.260369, average error: -0.0120564
*** loop 111 ***
Average squared error = 0.260171, average error: -0.0119496
*** loop 112 ***
Average squared error = 0.25991, average error: -0.0118314
*** loop 113 ***
Average squared error = 0.259633, average error: -0.0117062
*** loop 114 ***
Average squared error = 0.259358, average error: -0.0115578
*** loop 115 ***
Average squared error = 0.259097, average error: -0.0114197
*** loop 116 ***
Average squared error = 0.258921, average error: -0.0113019
*** loop 117 ***
Average squared error = 0.258636, average error: -0.0111453
*** loop 118 ***
Average squared error = 0.258323, average error: -0.0109411
*** loop 119 ***
Average squared error = 0.258012, average error: -0.010738
*** loop 120 ***
Average squared error = 0.25748, average error: -0.0103609
*** loop 121 ***
Average squared error = 0.256995, average error: -0.0100245
*** loop 122 ***
Average squared error = 0.256586, average error: -0.00968946
*** loop 123 ***
Average squared error = 0.256245, average error: -0.00937251
*** loop 124 ***
Average squared error = 0.255877, average error: -0.00895965
*** loop 125 ***
Average squared error = 0.255615, average error: -0.00863918
*** loop 126 ***
Average squared error = 0.255493, average error: -0.00842778
*** loop 127 ***
Average squared error = 0.255422, average error: -0.00832814
*** loop 128 ***
Average squared error = 0.255371, average error: -0.00828552
*** loop 129 ***
Average squared error = 0.255334, average error: -0.00825662
*** loop 130 ***
Average squared error = 0.255342, average error: -0.0082551
*** loop 131 ***
Average squared error = 0.25535, average error: -0.00825099
*** loop 132 ***
Average squared error = 0.25532, average error: -0.0082309
*** loop 133 ***
Average squared error = 0.255291, average error: -0.00821913
*** loop 134 ***
Average squared error = 0.255274, average error: -0.0082109
*** loop 135 ***
Average squared error = 0.255271, average error: -0.00820692
*** loop 136 ***
Average squared error = 0.255272, average error: -0.00819507
*** loop 137 ***
Average squared error = 0.255216, average error: -0.00817473
*** loop 138 ***
Average squared error = 0.255177, average error: -0.00815629
*** loop 139 ***
Average squared error = 0.255138, average error: -0.00814459
*** loop 140 ***
Average squared error = 0.255086, average error: -0.00812726
*** loop 141 ***
Average squared error = 0.25507, average error: -0.00812055
*** loop 142 ***
Average squared error = 0.254982, average error: -0.00808992
*** loop 143 ***
Average squared error = 0.25494, average error: -0.00807278
*** loop 144 ***
Average squared error = 0.254944, average error: -0.00807379
*** loop 145 ***
Average squared error = 0.254885, average error: -0.0080535
*** loop 146 ***
Average squared error = 0.254837, average error: -0.00803103
*** loop 147 ***
Average squared error = 0.254814, average error: -0.00799901
*** loop 148 ***
Average squared error = 0.254806, average error: -0.00799629
*** loop 149 ***
Average squared error = 0.2548, average error: -0.0079941
*** loop 150 ***
Average squared error = 0.254776, average error: -0.00797947
*** loop 151 ***
Average squared error = 0.254771, average error: -0.00797405
*** loop 152 ***
Average squared error = 0.254746, average error: -0.0079654
*** loop 153 ***
Average squared error = 0.254724, average error: -0.00795639
*** loop 154 ***
Average squared error = 0.254699, average error: -0.0079408
*** loop 155 ***
Average squared error = 0.254636, average error: -0.0079139
*** loop 156 ***
Average squared error = 0.254568, average error: -0.00787785
*** loop 157 ***
Average squared error = 0.254525, average error: -0.00784813
*** loop 158 ***
Average squared error = 0.254369, average error: -0.00776553
*** loop 159 ***
Average squared error = 0.254215, average error: -0.0076815
*** loop 160 ***
Average squared error = 0.254138, average error: -0.00763075
*** loop 161 ***
Average squared error = 0.254019, average error: -0.00756259
*** loop 162 ***
Average squared error = 0.253929, average error: -0.00751232
*** loop 163 ***
Average squared error = 0.253854, average error: -0.00746892
*** loop 164 ***
Average squared error = 0.253793, average error: -0.00743709
*** loop 165 ***
Average squared error = 0.253723, average error: -0.00739672
*** loop 166 ***
Average squared error = 0.253581, average error: -0.00732856
*** loop 167 ***
Average squared error = 0.253574, average error: -0.00732363
*** loop 168 ***
Average squared error = 0.253507, average error: -0.00729212
*** loop 169 ***
Average squared error = 0.253487, average error: -0.00728301
*** loop 170 ***
Average squared error = 0.253473, average error: -0.0072775
*** loop 171 ***
Average squared error = 0.253474, average error: -0.00726942
*** loop 172 ***
Average squared error = 0.25347, average error: -0.00727054
*** loop 173 ***
Average squared error = 0.253469, average error: -0.00726697
*** loop 174 ***
Average squared error = 0.253457, average error: -0.00726471
*** loop 175 ***
Average squared error = 0.253392, average error: -0.00723937
*** loop 176 ***
Average squared error = 0.253359, average error: -0.00722755
*** loop 177 ***
Average squared error = 0.25335, average error: -0.00722365
*** loop 178 ***
Average squared error = 0.253339, average error: -0.00721831
*** loop 179 ***
Average squared error = 0.253538, average error: -0.00723501
*** loop 180 ***
Average squared error = 0.253541, average error: -0.0072366
*** loop 181 ***
Average squared error = 0.253536, average error: -0.0072361
*** loop 182 ***
Average squared error = 0.253528, average error: -0.00723492
*** loop 183 ***
Average squared error = 0.253508, average error: -0.00723009
*** loop 184 ***
Average squared error = 0.253493, average error: -0.00722341
*** loop 185 ***
Average squared error = 0.253485, average error: -0.00722269
*** loop 186 ***
Average squared error = 0.253462, average error: -0.00721511
*** loop 187 ***
Average squared error = 0.253452, average error: -0.00721043
*** loop 188 ***
Average squared error = 0.253456, average error: -0.00721228
*** loop 189 ***
Average squared error = 0.253466, average error: -0.00721536
*** loop 190 ***
Average squared error = 0.253458, average error: -0.00721122
*** loop 191 ***
Average squared error = 0.253469, average error: -0.00721441
*** loop 192 ***
Average squared error = 0.253477, average error: -0.00721751
*** loop 193 ***
Average squared error = 0.253482, average error: -0.00722042
*** loop 194 ***
Average squared error = 0.253482, average error: -0.00722156
*** loop 195 ***
Average squared error = 0.253482, average error: -0.00722296
*** loop 196 ***
Average squared error = 0.253481, average error: -0.00722378
*** loop 197 ***
Average squared error = 0.25348, average error: -0.00722574
*** loop 198 ***
Average squared error = 0.253476, average error: -0.00722573
*** loop 199 ***
Average squared error = 0.253473, average error: -0.00722449

可以看出前10次效果显著，10次时候速度下降。

2.2 RGB-D稠密建图

  1. RGB-D稠密建图是一种利用RGB图像和深度图像进行三维重建的技术。与传统的基于三角化的稀疏重建方法不同，RGB-D稠密建图可以生成全局一致的稠密三维模型，包括物体的细节和形状。该技术已广泛应用于机器人导航、虚拟现实、增强现实和医疗领域等。

  2. RGB-D稠密建图的基本流程包括：采集RGB和深度图像、点云生成、稠密重建和纹理映射。其中，点云生成是将RGB图像和深度图像转换为三维点云数据，稠密重建是将点云数据转换为三维模型，纹理映射则是将RGB图像映射到三维模型表面，使得模型具有真实感和逼真度。

  3. RGB-D稠密建图的优点是可以快速地生成高质量的三维模型，并且可以捕捉物体的表面细节和形态信息。不过，由于对图像质量和标定精度要求较高，该技术在实际应用中还需要进一步的改进和完善。

2.3 点云地图

在build中执行语句：

cd dense_RGBD
 ./pointcloud_mapping

运行结果：

正在将图像转换为点云...
转换图像中: 1
转换图像中: 2
转换图像中: 3
转换图像中: 4
转换图像中: 5
点云共有1309800个点.
滤波之后，点云共有31876个点.

同时生成一个map.pcd文件，此文件的位置在：

/home/fighter/slam/slambook2/ch12/build/dense_RGBD/ map.pcd

可以用通过以下命令来查看map.pcd文件：

 pcl_viewer map.pcd

体素滤波之后的点云，可以看到运行结果如下，这是ICL-NUIM五张图像重建的结果：
滚轮放大后查看：
大
滚论滑动变小后查看：
小
同时，终端也会输出对应信息：

The viewer window provides interactive commands; for help, press 'h' or 'H' from within the window.
> Loading map.pcd [PCLVisualizer::setUseVbos] Has no effect when OpenGL version is ≥ 2
[done, 378.775 ms : 31876 points]
Available dimensions: x y z rgb

2.4 从点云重建网格

在build中执行语句：

cd dense_RGBD
./surfel_mapping map.pcd

运行结果：
结果时从点云重建得到的表面和网格模型，图像如下
结果时从点云重建得到的表面和网格模型，图像如下
同时终端输出信息：

point cloud loaded, points: 31876
computing normals ...
computing mesh ...
display mesh ...

2.5 八叉树地图

在build中执行语句：

cd dense_RGBD
 ./octomap_mapping

运行结果：
终端输出：

正在将图像转换为 Octomap ...
转换图像中: 1
转换图像中: 2
转换图像中: 3
转换图像中: 4
转换图像中: 5
saving octomap ...
Writing 1136665 nodes to output stream... done.

运行生成文件octomap.bt，使用以下命令来查看文件：

 octovis octomap.bt

终端输出：

Reading binary octree type OcTree

八叉树地图在不同分辨率的图像如下所示
0.05m分辨率
0.1m分辨率

3. 遇到的问题及解决办法

3.1 cmake …时，出现opencv版本问题

出现的错误：

CMake Error at dense_mono/CMakeLists.txt:11 (find_package):
  Could not find a configuration file for package "OpenCV" that is compatible
  with requested version "3.1".

  The following configuration files were considered but not accepted:

    /usr/local/lib/cmake/opencv4/OpenCVConfig.cmake, version: 4.5.0
    /usr/lib/x86_64-linux-gnu/cmake/opencv4/OpenCVConfig.cmake, version: 4.2.0
    /lib/x86_64-linux-gnu/cmake/opencv4/OpenCVConfig.cmake, version: 4.2.0

原因：
CMakeLists.txt中，设置的opencv的版本有问题；
出现此种问题主要是代码中的opencv的版本和自己当前安装的版本不同。

解决办法：
直接和之前的解决办法一样，更改CMakeLists.txt文件中的opencv版本即可。

//更改前：
find_package(OpenCV 3 REQUIRED)
//更改后：
find_package(OpenCV REQUIRED)

3.2 make -j8时，出现一些错误，有关PCL和opencv版本的问题。

  1. 出现的问题：

未定义标识符 “CV_GRAY2BGR”

在这里插入图片描述

原因：
这是因为此语句和opencv版本不相同。
解决办法：
更改dense_mapping.cpp头文件，添加以下头文件：

//添加头文件
#include <opencv2/imgproc/types_c.h>

有关opencv版本和语句问题的报错的锦集可以参考文章：https://blog.csdn.net/qq_44164791/article/details/131210608?spm=1001.2014.3001.5502

  1. 出现的问题：

出现的问题：
在make时，出现了刷屏的红色错误，这里展示两段：

/usr/include/pcl-1.10/pcl/pcl_config.h:7:4: error: #error PCL requires C++14 or above
    7 |   #error PCL requires C++14 or above
      |    ^~~~~
In file included from /usr/include/pcl-1.10/pcl/pcl_macros.h:77,
                 from /usr/include/pcl-1.10/pcl/point_types.h:42,
                 from /home/fighter/slam/slambook2/ch12/dense_RGBD/pointcloud_mapping.cpp:10:
/usr/include/pcl-1.10/pcl/pcl_config.h:7:4: error: #error PCL requires C++14 or above
    7 |   #error PCL requires C++14 or above
      |    ^~~~~
In file included from /usr/include/pcl-1.10/pcl/console/print.h:44,
                 from /usr/include/pcl-1.10/pcl/conversions.h:53,
                 from /usr/include/pcl-1.10/pcl/common/io.h:48,
                 from /usr/include/pcl-1.10/pcl/io/file_io.h:41,
                 from /usr/include/pcl-1.10/pcl/io/pcd_io.h:44,
                 from /home/fighter/slam/slambook2/ch12/dense_RGBD/surfel_mapping.cpp:7:
/usr/include/pcl-1.10/pcl/pcl_config.h:7:4: error: #error PCL requires C++14 or above
    7 |   #error PCL requires C++14 or above
      |    ^~~~~
In file included from /usr/include/pcl-1.10/pcl/console/print.h:44,
                 from /usr/include/pcl-1.10/pcl/conversions.h:53,
                 from /usr/include/pcl-1.10/pcl/common/io.h:48,
                 from /usr/include/pcl-1.10/pcl/io/file_io.h:41,
                 from /usr/include/pcl-1.10/pcl/io/pcd_io.h:44,
                 from /home/fighter/slam/slambook2/ch12/dense_RGBD/pointcloud_mapping.cpp:11:
/usr/include/pcl-1.10/pcl/pcl_config.h:7:4: error: #error PCL requires C++14 or above
    7 |   #error PCL requires C++14 or above
      |    ^~~~~

在这里插入图片描述
在这里插入图片描述
原因：
最主要的原因时因为C++版本的问题

解决办法：
将含有C++版本设置语句的CMakeLists.txt文件中有关其版本，全部改为14以上。
然后，make时会出现部分警告，当时不影响程序结果。
在这里插入图片描述

3.3 cmake …时，会出现vtk的问题，

出现的问题：

The imported target "vtkRenderingPythonTkWidgets" references the file
   "/usr/lib/x86_64-linux-gnu/libvtkRenderingPythonTkWidgets.so"
but this file does not exist.  Possible reasons include:
* The file was deleted, renamed, or moved to another location.
* An install or uninstall procedure did not complete successfully.
* The installation package was faulty and contained
   "/usr/lib/cmake/vtk-7.1/VTKTargets.cmake"
but not all the files it references.

-- The imported target "pvtk" references the file
   "/usr/bin/pvtk"
but this file does not exist.  Possible reasons include:
* The file was deleted, renamed, or moved to another location.
* An install or uninstall procedure did not complete successfully.
* The installation package was faulty and contained
   "/usr/lib/cmake/vtk-7.1/VTKTargets.cmake"
but not all the files it references.

解决办法：
创建两个软链接：
第一个软链接：

sudo ln -s /usr/lib/python2.7/dist-packages/vtk/libvtkRenderingPythonTkWidgets.x86_64-linux-gnu.so /usr/lib/x86_64-linux-gnu/libvtkRenderingPythonTkWidgets.so

第二个软链接：

sudo ln -s /usr/bin/vtk7 /usr/bin/vtk

3.4 运行 ./dense_mapping /home/fighter/slam/slambook2/ch12/test_data时，出现段错误

出现的错误：

 ./dense_mapping /home/fighter/slam/slambook2/ch12/test_data
read total 202 files.
*** loop 1 ***
Segmentation fault

原因：
Segmentation fault (core dumped)多为内存不当操作造成。空指针、野指针的读写操作，数组越界访问，破坏常量等。如最近的势能图代码中的链表操作，对链表的新增和释放包括赋值等等，如出现不当操作都有可能造成程序崩溃。对每个指针声明后进行初始化为NULL是避免这个问题的好办法。排除此问题的最好办法则是调试。

解决办法：
将文件dense_mapping.cpp中update函数为定义为bool类型，但是没有返回值，可以改为void。
更改前，例其中一处：
在这里插入图片描述

更改后，例其中一处：

在这里插入图片描述

琉璃轻纱
关注
  • 8
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
机器学习笔记 - 同步定位与地图构建 (SLAM)
学以致用 知行合一
03-18 3670
SLAM(simultaneous localization and mapping)，也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建，或并发建图与定位。 视觉 SLAM 不涉及任何特定的算法或软件。它指的是确定传感器相对于其周围环境的位置和方向的过程，同时映射该传感器周围的环境。 SLAM 并不是真正的一种技术产品或单一系统。 相反，同时定位和映射是一个更广泛的概念，具有近乎无限的可变性。许多不同算法可以应用到SLAM......
高翔视觉slam十四讲有完整库的代码文件
09-20
高翔视觉slam十四讲有完整库的代码文件 ： 因为高翔视觉slam十四讲文件里面的，3rdparty文件夹下下载下来是空的，所以这里有专门的已经下载好了的文件夹供大家使用，不用再自己下载了，避免因版本不同而编译错误。 操作： 1、库文件中如果有build文件夹的，先删除build文件夹。 2、然后 cmake .. 3、make -j4, 编译成功，运行各章节的代码文件。
SLAM高翔十四讲（十二）第十二讲 建图
shendaiyan的博客
07-27 317
SLAM被称为同时定位与建图，前面我们讨论的是定位问题，本讲我们主要介绍建图问题。关于地图的用途，大致可以归为以下几点：定位、导航、避障、重建、交互。稀疏地图主要用于定位，而稠密地图用于导航、避障、重建，我们本将重点讨论稠密地图。
【视觉SLAM十四讲】各种库的安装及代码实践
最新发布
2302_80099075的博客
03-17 1295
在学习高博的《视觉SLAM十四讲》的过程中，遇到了各种问题。虽说在网上都能找到对应的解决方案，但没有一篇是详细列尽遇到的问题的文章。于是，打算自己写一篇记录学习过程中遇到的一系列问题。希望能为后续的学习提供一点帮助！（自己也是新手小白，还是有很多不懂的地方。
slam十四讲 ch13——remode dataset
10-20
slam十四讲 ch13，单目稠密重建 苏黎世大学公开数据集http://rpg.ifi.uzh.ch/datasets/remode_test_data.zip 原地址已失效
视觉SLAM十四讲学习笔记——第十二讲 建图
weixin_61294345的博客
11-27 4302
SLAM实际上是一种底层技术，往往用来给上层应用提供信息。在前文已实现的部分，我们最多得到的仅是一个稀疏的地图，在需要实现导航、避障、重建等应用时，稀疏地图很难提供足够的信息，需要考虑如何重建稠密地图，即建模所有看到过的部分。 根据使用相机的不同可以分为：“单目稠密重建”和“RGB-D稠密建图”（双目应该和RGBD类似，都可以主动测得或计算出图像深度）。其中RGB-D相机的稠密重建较为简单，最直观、简单的方法就是将RGB-D数据转换为点云地图，再结合相机位姿进行拼接，并对点...
高翔视觉SLAM十四讲（第二版）各种软件、库安装的以及报错解决方法
热门推荐
m0_60355964的博客
04-07 2万+
前言 自己不小心把Ununtu系统搞崩了，只好重装Ununtu系统，写一篇博客记录一下高翔视觉SLAM十四讲（第二版）各种库安装的以及报错解决方法。本篇博客写于2022年4月7日，安装顺序按照在书中出现的顺序。下面每个库都会介绍在书中出现的地方，以及库的来源。下面安装的依赖项，如果书上有都是来源于书上，如果书上版本低了，则做出了相应的改动；如果书上没有则来自于其他博客。 系统版本 Ununtu18.04 下载高翔视觉SLAM十四讲第二版的源代码 有些小型的库存放在 slambook2/3rdp..
【视觉SLAM十四讲】第13-14讲 建图
博客标题不能为空我也没办法
12-20 1751
第13-14讲 建图
视觉SLAM⑫----建图（未完）
qq_41694024的博客
06-01 6696
1.理解单目SLAM中稠密深度估计的原理 2.通过实验了解单目稠密重建的过程 3.了解几种RGB-D重建中的地图形式
SLAM十四讲-ch12-建图（包含单目和RGBD的代码详细注释）
joun772的博客
11-17 2093
一、单目稠密建图 单目相机因为无法获得深度信息，所以要计算深度 步骤： 1、利用极线搜索、块匹配得到参考帧和当前帧像素的匹配（快匹配利用ncc评分进行匹配）。 2、利用三角化计算深度估计值 3、利用深度滤波器对深度估计值进行滤波 【滤波就是算出估计的深度（这时候估计的深度加上了一个像素的误差了）的不确定性，然后估计的深度与之前的原深度进行高斯融合】 4、更新深度 源码如下： // // Created by nnz on 2020/11/16. // /************* * 1、读取图片 *
《视觉SLAM十四讲 第二版》笔记及课后习题（第十二讲）
weixin_43619346的博客
11-26 2707
读书笔记：建图
视觉slam十四讲
02-22
视觉slam十四讲
视觉SLAM十四讲配套代码
12-02
视觉SLAM十四讲配套代码
视觉SLAM十四讲PPT
05-04
精品课程PPT分享，视觉SLAM十四讲配套PPT， 全网唯一资源
高翔视觉SLAM十四讲学习笔记3+PCL安装方式
qq_27658421的博客
06-21 1874
一.首先更新软件 sudo apt-get update 二.安装VTK视觉模块 进入管网下载，选好对应到版本，选择8.2或者7.1，太新的版本可能需要安装更高版本到cmake，所以建议安装8.2或者7.1.1,我自己安装到8.2,下载地址 VTK 下载完解压进入目录，编译 cmake .. make sudo make install 三.安装pcl依赖和工具 sudo apt-get install libpcl-dev pcl-tools sudo apt-get install freeglut
【视觉SLAM十四讲】相机与图像（附PCL安装教程）
weixin_44413191的博客
07-25 1203
本文为视觉 SLAM 学习总结。内容包括相机模型、图像、实践：基本图像处理、实践：点云拼接
一文详解高精地图构建与SLAM感知优化建图策略
3D视觉工坊
03-11 5797
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者 |Aimee高精度地图对自动驾驶系统功能研发的影响已经越来越明显，整体上来讲主要包含但不仅限于提升车端感知性能、拓展自动驾驶新...
视觉SLAM十四讲 第13讲 建图
sinat_39659902的博客
06-17 1377
1、单目SLAM的深度估计 2、实验完成单目SLAM 3、RGBD重建中的几种地图 机器人上的 SLAM，希望地图能够用于定位、导航、避障和交互，特征点地图不能满足这些需求。 文章目录0. 引言（地图的五个作用\color{red}{地图的五个作用}地图的五个作用）13.2 单目稠密重建1、立体视觉2、单目稠密重建技术3、实践-单目稠密重建4、实验3中存在的问题与解决13.5 更常用的稠密建图--RGBD1、点云地图2、八叉树地图 octomap库 0. 引言（地图的五个作用\color{red}{.
SLAM【十一】建图
Cloudy_to_sunny的博客
03-20 8656
SLAM【十一】建图概述单目稠密重建立体视觉极线搜索与块匹配新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 概述 建图的功能： 定位：第一次跑，就把地图保存下来，让机器人在下次开机后依然能够在地图中定位。 导航：需要创建
视觉slam十四讲ch8 实践
05-25
第八章是关于基于视觉SLAM的闭环检测和优化的实践。 具体实践步骤如下： 1. 下载KITTI数据集，并解压到本地。数据集下载链接：http://www.cvlibs.net/datasets/kitti/eval_odometry.php 2. 安装依赖库，包括OpenCV, Eigen, G2O等。其中G2O是一个用于非线性优化的库，需要从源码编译安装。 3. 编写代码，实现基于ORB特征和G2O优化的视觉SLAM系统。 4. 运行系统，对KITTI数据集的序列进行处理，得到相机位姿估计和地图重建结果。 5. 对重建的地图进行闭环检测，找到闭环帧并进行优化。 6. 查看闭环检测和优化的效果，评估系统的性能和精度。 在实践中需要注意以下几点： 1. 数据集的选择和准备。需要选择合适的数据集，并按照要求进行解压和处理。 2. 代码实现的细节。需要注意特征提取和匹配、位姿估计、地图构建和优化等过程中的细节问题，例如参数的设置、算法的选择等。 3. 系统性能的评估。需要对系统的性能和精度进行评估和比较，例如计算速度、重建精度、闭环检测率等。 4. 结果的可视化和分析。需要对结果进行可视化和分析，以便更好地理解系统的性能和优缺点。

“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 5
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