申明：本文只是作者為方便知識積累，總結了很多SLAM大牛的文章要點。

ORB-SLAM源碼地址：https://github.com/raulmur/ORB_SLAM2.git

ORB-SLAM項目組網址：http://webdiis.unizar.es/~raulmur/orbslam/

ORB-SLAM是一個基于特征點的實時單目檢測和重定位SLAM系統，在大規模、小規模、室內室外的環境中都可以運行。該系統對于劇烈運動也很魯棒，支持寬基線的閉環檢測和重定位，包括全自動初始化。該系統包含了所有SLAM系統的共有模塊：跟蹤（Tracking）、建圖（Mapping）、重定位（Relocalization）、閉環檢測（Loop closing）。由于ORB-SLAM是基于特征點的，故其能夠實時計算出相機的軌跡，并生成場景的稀疏三維重建結果。ORB-SLAM2在ORB-SLAM基礎上還支持標定后的雙目相機和RGB-D相機。

ORB-SLAM的優勢與貢獻：

1. 使用ORB特征描述，不用GPU加速就可以實時，具有視點不變性和光照不變性。

2. 使用Covisibility Graph，使跟蹤和建圖聚焦在局部共視區域。

此處補充下Covisibility Graph的概念

以下內容參考自高博在知乎上的回答：https://www.zhihu.com/question/42050992/answer/93630213

首先，圖優化是目前視覺SLAM里主流的優化方式。其思想是把一個優化問題表達成圖（Graph），以便我們理解、觀察。

一個圖中有很多頂點，以及連接各頂點的邊。當它們表示一個優化問題時，頂點是待優化的變量，而邊是指誤差項。我們把各個邊的誤差加到一起，就得到了整個優化問題的誤差函數。頂點的參數化形式可以有很多不同的樣子，例如某些頂點可以表示相機的Pose，另一些頂點可以表示三維空間點，同理，邊也有不同的形式。除了個別的頂點和邊，我們也關心整個圖的結構，例如連通性等。

Covisibility Graph, Essential Graph，是不同圖的形式，Spanning Graph為生成樹。

如果我們考慮所有的相機Pose和所有點的空間位置，構造出來的圖將會非常復雜，而難以直接進行實時優化。因此，通常我們會構建一些帶有特殊結構的圖，以滿足實時性需求。

最簡單的是Pose Graph，如果我們對特征點的空間位置并不關心，就可以構建只帶有Pose結點以及Pose-Pose邊這樣的圖。由于一個照片中常常有上千個特征點，這樣做可以節省許多計算量。

Covisibility Graph的頂點是相機的Pose，而邊是Pose-Pose的變換關系，所以也算是Pose Graph的一種。當兩個相機看到相似的空間點時，它們對應的Pose就會產生聯系（我們就可以根據這些空間點在照片上的投影計算兩個相機間的運動）。根據觀測到的空間點的數量，給這個邊加上一個權值，度量這個邊的可信程度。

Essential Graph比Covisibility Graph更簡單，ORB-SLAM主要用它來進行全局優化。為了限制優化的規模，ORB-SLAM試圖盡量減少優化邊的數量。而盡量減少邊，又保持連通性的方法，就是做一個最小生成樹。

Covisibility是一直在用的概念，而Essential Graph是orb-slam自己提出的概念，為了減少全局會還的計算量，當你自己實現slam時，也會碰到這些困難，并設計一些應對的策略，這些就是你的創新性，事實上，隨著SLAM時間的增長，如何控制圖的結構和優化的規模，仍是現在SLAM有待解決的一個問題。

3. 使用the Essential Graph來優化位姿實現回環檢測。

4. 相機重定位，視點和光照改變都適用。

5. 根據對平面和非平面選擇不同模型，實現自動初始化。

6. 舍棄多余的關鍵幀，提高跟蹤魯棒性，加強長時間操作。

ORB-SLAM的系統架構：

（1）特征提取的方法：ORB特征提取

（2）三個線程。線程1：跟蹤，通過每一幀圖像定位相機，選擇是否加入關鍵幀；線程2：局部建圖：處理新的關鍵幀，使用local BA完成重建；線程3：閉環檢測，對每一個新加進的關鍵幀進行回環檢測。

（3）地圖點和關鍵幀。

（4）Covisibility Graph 和 Essential Graph

（5）用于場景識別的詞袋。

以下對三個線程的內容進行說明：

1. 跟蹤（Tracking）

這一部分主要工作是從圖像中提取ORB特征，根據上一幀進行姿態估計，或者進行通過全局重定位初始化位姿，然后跟蹤已經重建的局部地圖，優化位姿，再根據一些規則確定新的關鍵幀。

2. 建圖（LocalMapping）

這一部分主要完成局部地圖構建，包括對關鍵幀的插入，驗證最近生成的地圖點并進行篩選，然后生成新的地圖點，使用局部捆集調整（Local BA），然后再對插入的關鍵幀進行篩選，去除多余的關鍵幀。

3. 回環檢測（LoopClosing）

這一部分主要分為兩個過程：閉環檢測和閉環校正，閉環檢測先使用WOB進行探測，然后通過Sim3算法計算相似變換。閉環校正主要是閉環融合和Essential Graph的圖優化。

總結

以上是生活随笔為你收集整理的ORB-SLAM2 学习1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。