OV2SLAM vs ORBSLAM2

框图

各个模块算法

	OV2SLAM	ORBSLAM2	对比
特征点提取与匹配	Fast + LK光流	Fast + ORB 描述子	LK光流速度快
输出的实时pose	PnP	Motion-only BA	Motion-only BA精度高一点
初始化	单目：前两个关键帧E分解，并三角化，则初始化成功。 双目：第一帧双目计算3D点，即可完成初始化。	单目：前两个关键帧E分解，并三角化，则初始化成功。 双目：第一帧双目计算3D点，即可完成初始化。	一致
三角化	单目：关键帧特征点三角化 双目：光流匹配左帧，右目新检测的点可以进行Temporal三角化	单目：关键帧特征点三角化 双目：描述子匹配完之后，利于fb/d =z 计算深度	ORBSLAM2需要双目矫正过的图像
localBA	共视图包含的3D点和位姿一起优化	共视图包含的3D点和位姿一起优化	一致
回环检测	iBowLCD 在线构建字典	DBOW 离线训练字典
posegraph	作为优化的初始值	作为优化的初始值	一致
优化	looselyBA 仅优化回环帧和当前帧相关联的3D点和关键帧位姿	FullBA 优化全部关键帧的位姿和3D点	FullBA更准一些

主要区别点：

精度：

1. 实时位姿态输出：ORBSLAM2精度比OV2SLAM高，在输出实时pose时，ORBSLAM2的位姿是通过TrackLocalMap得到的，这里会进行motion-only的BA。而OV2SLAM输出的实时pose是通过PnP计算出来的，精度有限。虽然OV2SLAM也有TrackLocalMap,但是他这一步仅进行特征点的re-track, 没有进行位姿计算。另外，由于looselyBA比FullBA精度低一些，导致3D点有误差，从而PnP位姿计算也会有一定误差。
2. 最终全局位姿输出： ORBSLAM2精度比OV2SLAM高，主要在于looselyBA仅优化与当前帧和回环帧关联的信息，在posegraph提供了全部关键帧的初值，这一步影响到的pose不仅仅包括looselyBA优化的信息，还影响到其余关键帧的pose和3D点。因此，全局优化精度会高一些。

速度：

1. 实时位姿输出：OV2SLAM比ORBSLAM2快。OV2SLAM的特征点匹配采用光流，比描述子提取和匹配要快。且位姿计算PnP会比motion-only BA快。
2. 地图构建： localBA 用于优化共视帧的位姿和3D点。两者算法基本一致，速度应该也差不多。
3. 最终位姿态输出：OV2SLAM比ORBSLAM2快。looselyBA 优化变量明显小于FullBA。

综合选择：

        OV2SLAM整体精度比ORBSLAM2略微下降，但是速度明显提升。而且OV2SLAM里面增加一些细节，例如异常点剔除策略，通过投影点比例判断初始估计位姿准确性等。

       ORBSLAM3里面会判断远点和近点，远点只用于优化旋转，尺度信息只能依靠近点。

VSLAM的缺陷：

        单目没有尺度。

         双目尺度测距范围有限，当匹配视差在1.2-2以上时，深度估计才相对可靠。ORBSLAM3中建议40倍基线以内的距离才能用于尺度计算。因此，VSLAM仅适用于近距离定位与建图。

        当图像模糊时，视觉当前帧会lost，如果仅连续几帧丢失，那么仅会短时间内降低输出的pose的帧率。如果对输出帧率有要求，则需要用VISLAM，IMU可以支撑3s. 如果视觉丢失时间过长，则VISLAM也不能处理。只能进行重定位或系统重启。

         在转弯或者运动比较快且是新场景时，运动快，那么关键帧被选择的频率就比较大，从而三角化就比较滞后。如果当前帧没有被及时三角化成功，则当前帧的pose就没办法计算。需要及时三角化添加3D点，才能计算出来位姿。因此要求关键帧的创建和三角化线程也很快才能保证不丢失。 即使加上IMU，如果关键帧缓冲比较多，那么也会丢失。但是如果丢失了，在有IMU时，可作为初始位姿，光流跟踪新帧，再三角化得到新点，这样也可以处理。