?點云PCL免費知識星球，點云論文速讀。

標題：ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM

作者：Carlos Campos?, Richard Elvira?, Juan J. Gomez Rodr ′ ′?guez, Jose M.M. Montiel and Juan D. Tard ′ os

編譯：particle

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

ORB-SLAM3！！！！真的開源了！學生黨發論文的希望，工作黨的kpi，自動駕駛企業的demo方案源泉！是不是為之興奮呢？接下來公眾號將率先分享這篇文章。本篇文章將簡要的介紹ORB-SLAM的創新點以及demo視頻，接下來，將發布翻譯版的全部內容（內容較多，將分篇幅發布，敬請關注）。

作為一篇能帶動學生發論文，工作kpi,帶動績效，甚至可以帶來融資的開源方案，值得SLAM研究者學習一波，這里我們將組織群友開啟ORB-SLAM3的一起學活動。有興趣的小伙伴可以后臺發送“ORB-SLAM3”獲取群聊二維碼，開啟我們的論文學習，代碼注釋的學習之旅吧。

摘要

ORB-SLAM3：這是一個能夠使用單目，立體，RGB-D相機，兼容針孔以及魚眼相機模型進行視覺，視覺+慣導和多地圖的SLAM方案。

該方案的創新點：

第一創新點是實現了基于視覺特征與慣導的緊耦合SLAM系統，該系統完全依賴Maximum-a-Posteriori（MAP）估計，即便在初始化階段也是如此。這種方案無論在小型或者大型室內室外環境中都能夠穩定的運行，并且比以前的方法精確了2-5倍。（朋友們？你聽到這個結果興奮嗎？可以養活一大批SLAM工作者和企業）

第二個主要的創新是一個多地圖的系統，依賴于一種新的位置識別和改進的回環檢測，能夠保證ORB-SLAM3能夠長時間的在特征點不良的環境下有效的運行，并且當它跟丟的時候，就會重新啟動一個新的地圖，當相機故地重游的時候，系統能夠無縫的合并多個地圖。

第三個創新點是與一般的視覺里程計只能利用最后相鄰幾幀圖像數據相比，ORB-SLAM3是第一個能夠在算法階段重用所有歷史信息的系統，其中包含了共視幀之間的捆集調整（BA），即使共視幀在時間上相差甚遠，甚至來自不同的地圖，實驗表明，在所有的傳感器配置中，ORB－SLAM3與文獻中可用的最好的系統一樣健壯，并且更精確。值得注意的是，我們的立體慣性SLAM在EuRoC無人機上的平均精度為3.6厘米，在TUM-VI數據集（AR/VR場景的一個典型場景）中，快速手持式移動時的平均精度為9毫米。

為了社區的利益，我們公開了源代碼

https://github.com/UZ-SLAMLab/ORB_SLAM3

內容簡介

在這項工作是建立在ORB-SLAM[2]、[3]和ORBSLAM視覺慣性[4]的基礎上，這是第一個能夠充分利用短期、中期和長期數據關聯的視覺和視覺慣性系統，在地圖中能夠達到零漂移。并且我們進一步提供了多地圖之間的數據關聯，它允許我們匹配和使用歷史地圖中的信息，建立BA地圖mark點的優化關系，從而實現SLAM系統的真正目標：構建一個之后可以用來提供精確定位的地圖。從上面的表格中是不是感受到了這個系統的強大？

所有這些創新之外，再加上一些代碼改進，使ORB-SLAM3成為新的可以參考的視覺和視覺慣導的開源SLAM庫，與文獻中可用的最好的開源系統一樣健壯，并且更加精確。系統還提供了單目、立體、單目慣性和立體慣性SLAM結果之間的比較，這些結果可能會引起從業人員的興趣。（簡而言之就是你們直接用就行了，開不開心？）

ORB-SLAM3是一個完整的多地圖系統，能夠在純視覺或視覺慣性模式下工作，使用單目、立體或RGB-D傳感器，使用針孔和魚眼相機模型。上圖展示了與ORB-SLAM2具有平行關系的主要模塊，并且ORB-SLAM3具有一些顯著的新穎性，下面將對其進行總結：

?地圖集是由一組斷裂的局部地圖組成的多個地圖。當在跟蹤線程在傳入的新的圖像幀的時，由局部地圖線程不斷優化和增加新的關鍵幀，此時構建成一個活動地圖。我們把系統中地圖集中的其他地圖稱為非活動地圖。該系統建立了一個獨特的DBoW2關鍵幀數據庫，用于重定位、閉環檢測和地圖合并。

?跟蹤線程處理傳感器圖像信息，實時計算當前幀在當前活動地圖中的姿態，最大限度地減少匹配地圖特征的重投影誤差。它還決定當前幀是否成為關鍵幀。在視覺慣性模式下，通過在優化中加入慣性殘差來估計物體速度和慣性慣導的偏差。當跟蹤丟失時，跟蹤線程將嘗試重新定位所有地圖集地圖中的當前幀。如果重定成功，則繼續跟蹤，并在需要時切換活動地圖。否則，在一段時間后，活動地圖將被存儲為非活動映射，并從頭開始初始化新的活動地圖。

?局部地圖線程將關鍵幀和特征點添加到活動地圖中，移除多余的關鍵幀，并使用視覺或視覺慣性捆集調整來優化地圖，在最接近當前幀的關鍵幀的局部窗口中執行。另外，在慣性情況下，利用我們新的MAP估計技術，通過地圖線程初始化和優化IMU參數。

?回環和地圖合并線程以關鍵幀速率檢測活動地圖和整個地圖集之間的共視區域。如果共視區域屬于活動地圖，則執行回環校正；如果共視區域屬于不同的地圖，則兩個地圖將無縫合并為一個單獨的地圖，并成為活動地圖。在回環校正之后，在一個獨立的線程中啟動一個完整的BA，以便在不影響實時性能的情況下進一步地圖點優化。

系統中不同優化的因子圖表示

局部地圖合并融合模塊示意圖

實驗結果與總結

各個數據集上的表現

在[2]-[4]的基礎上，我們推出了ORB-SLAM3，這是一個最完整的可視化、視覺慣性和多地圖的SLAM開源庫，配備了單目、立體、RGB-D、針孔和魚眼攝像頭。我們的主要貢獻，除了集成庫本身之外，還有快速準確的IMU初始化技術和多地圖合并功能，這些功能依賴于一種新的具有改進召回能力的地點識別技術，使ORB-SLAM3非常適合于長期和大規模的SLAM實際應用。

參考文獻

[1] C. Cadena, L. Carlone, H. Carrillo, Y. Latif, D. Scaramuzza, J. Neira,I. Reid, and J. J. Leonard, “Past, present, and future of simultaneous localization and mapping: Toward the robust-perception age,” IEEE Transactions on Robotics, vol. 32, no. 6, pp. 1309–1332, 2016.

[2] R. Mur-Artal, J. M. M. Montiel, and J. D. Tardos, “ORB-SLAM: a versatile and accurate monocular SLAM system,” IEEE Transactions on Robotics, vol. 31, no. 5, pp. 1147–1163, 2015.

[3] R. Mur-Artal and J. D. Tardos, “ORB-SLAM2: An open-source SLAM ′system for monocular, stereo, and RGB-D cameras,” IEEE Transactions on Robotics, vol. 33, no. 5, pp. 1255–1262, 2017.

[4] “Visual-inertial monocular SLAM with map reuse,” IEEE Robotics and Automation Letters, vol. 2, no. 2, pp. 796–803, 2017

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

總結

以上是生活随笔為你收集整理的【开源方案共享】ORB-SLAM3开源啦！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。