ORB-SLAM3整体流程详解_orbslam3代码详解

0. 简介

在之前，作者曾经转过一篇《一文详解ORB-SLAM3》的文章。那篇文章中提到了ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统，可以在单目，双目和RGB-D相机上利用针孔或者鱼眼模型运行。与ORB-SLAM2相比，ORB-SLAM3在处理大视差和长时间未观测到的场景时效果更好。它还提供了更准确的帧间运动估计和更快的处理速度。此外，ORB-SLAM3还支持更多的传感器，包括RGB-D摄像头和车载LIDAR。ORB-SLAM3的代码结构也比ORB-SLAM2更加简洁，使得它更容易理解和扩展。

1. 主要贡献

一个单目和双目的视觉惯导SLAM系统：全部依赖于MAP(最后后验概率估计)，即使是在IMU初始化的时候。

高召回率的场景重识别算法:DBoW2需要匹配三个连续的关键帧，太慢了。作者的方法是：候选的关键帧第一次就进行几何一致性检测，然后利用三个共视的关键帧进行局部的一致性检验，这种策略提升了召回率，并简化了数据关联，从而提高了地图准确性，但计算成本变高。

第一个可以解决纯视觉或者视觉惯导的完整的混合地图的SLAM系统。在单目或者双目的系统中,Atlas代表的是一系列不连续的地图，而且可以把他们应用到所有的建图过程中：场景重识别、相机重定位、闭环检测和精确的地图融合。这就允许地图是在不同的时间构建的(增量的SLAM系统)，纯视觉的Atlas是参考的2019年IROS的一篇文章：ORBSLAM-atlas: a robust and accurate multi-map system，本文又添加了视觉惯导的混合地图系统来实现场景重识别。

抽象的相机表示：使SLAM系统与所使用的相机模型无关。并允许通过提供其投影，非投影和Jacobian函数来添加新模型我们提供了针孔和鱼眼模型的实现。

2. ORB-SLAM2 和 ORB-SLAM3 相关改进代码汇总（截止2023.1.30日）

这部分可以看一下作者的《使用ORBSLAM2进行kineticV2稠密建图，实时转octomap建图以及导航》这篇文章。这里来汇总一下2,3中常见的扩展，算是一个大全吧

1. https://github.com/gaoxiang12/ORBSLAM2_with_pointcloud_map
   高翔实现的添加稠密点云地图
   
2. https://github.com/xiaobainixi/ORB-SLAM2_RGBD_DENSE_MAP
   
3. https://github.com/gaoxiang12/ORB-YGZ-SLAM

使用SVO中直接法来跟踪代替耗时的特征点提取匹配，在保持同样精度的情况下，是原始ORB-SLAM2速度的3倍

4. https://github.com/gaoxiang12/ygz-stereo-inertial
双目VIO版本，加入了LK光流和滑动窗口BA优化

5. https://github.com/jingpang/LearnVIORB
VI-ORB-SLAM2

6. https://github.com/lsyads/fisheye-ORB-SLAM
添加了支持鱼眼

7. https://github.com/AlejandroSilvestri/osmap
添加保存和导入地图功能

8. https://github.com/Jiankai-Sun/ORB_SLAM2
添加保存和导入地图功能

9. https://github.com/AlejandroSilvestri/Osmap-viewer
添加了地图可视化

10. https://github.com/atlas-jj/ORB_Line_SLAM

添加了线特征

11. https://github.com/maxee1900/RGBD-PL-SLAM
添加了点线融合

12. https://github.com/ivalab/gf_orb_slam2
使用了一种更好的特征选择方法

13. https://github.com/Ewenwan/ORB_SLAM2_SSD_Semantic

动态语义SLAM 目标检测+VSLAM+光流/多视角几何动态物体检测+octomap地图+目标数据库

14. https://github.com/Eralien/TE-ORB_SLAM2
用YOLO v3的语义信息来增加跟踪性能

15. https://github.com/bijustin/YOLO-DynaSLAM

16. https://github.com/qixuxiang/orb-slam2_with_semantic_label

提出了一种构建3D密集语义图的方法，该方法同时利用YOLOv3[3]的2D图像标签和3D几何信息

17. https://github.com/VisionerTech/ORB_SLAM2_Unity
ORB-SLAM2在unity中仿真

18. https://github.com/thien94/ORB_SLAM2_CUDA

ORB-SLAM2使用CUDA加速

19. https://github.com/XinkeAE/Active-ORB-SLAM2
ORB-SLAM2加入距离最优路径规划器利用该模型来约束路径，使得每个姿势中相关联的地图点的数量高于阈值。

20. https://github.com/xiefei2929/ORB_SLAM3-RGBD-Inertial
    增加了RGBD-IMU的运行模式和ROS接口，增加了单目IMU和双目IMU的ROS接口，替换了词典为二进制格式，加载速度更快。依据ORB_SLAM3重写了RGBD-IMU的ROS接口，避免出现队列拥塞，提供了Kinect for Azure的参数文件
    

21. https://github.com/TUMFTM/ORB_SLAM3_RGBL

将激光雷达数据集成到ORB-SLAM3中

22. https://github.com/zhouyong1234/ORB-SLAM3-GRID-MAP

将ORB-SLAM3生成的稀疏地图转化为2D栅格地图，用于机器人导航

23. https://github.com/cpymaple/ORB-SLAM3-YOLOv3
在ORB-SLAM3中使用深度学习YOLOv3

24. https://github.com/charbelias24/3dMapSLAM
    使用ORB-SLAM3创建周围环境的分段3D八进制图，可以在八进制图中删除或添加特定的分段对象
    
25. https://github.com/TUMFTM/ORB_SLAM3_RGBL
    一种基于RGB-D模式将3D激光雷达深度信息集成到现有ORBSLAM3中的新方法。我们提出并比较了两种深度图生成方法：传统的计算机视觉方法，即逆膨胀操作和基于监督深度学习的方法。通过添加直接读取激光雷达点云的所谓RGB-L（LiDAR）模式，将前者直接集成到ORB-SLAM3框架中。
    

3. 主要结构

由于网上对ORB-SLAM3的内容很多了，这里打算换一个形式，如果这里大段重复别人的内容不是很好，这里换一种形式，即用简单的话语+链接的形式来完成整个ORB-SLAM3的介绍，这里的图是以单目融合IMU的文件（Mono_inertial_tum_vi.cc）为例的。但是我们需要注意的是我们一般会使用ros作为 warpper，所以我们会使用ros_mono_inertial.cc完成理解

4. 主函数main

（1）首先是ros系统的初始化，以及启动相关线程

ros::init(argc, argv, "Mono_Inertial");
ros::NodeHandle n("~");
1
2

（2）创建SLAM系统，system会初始化所有的系统进程，并且准备好生成帧，此处会调用system的构造函数System::System()，具体见System.cc

  // Create SLAM system. It initializes all system threads and gets ready to process frames.
  ORB_SLAM3::System SLAM(argv[1],argv[2],ORB_SLAM3::System::IMU_MONOCULAR,true);
1
2

（3）准备捕获图像，并用SLAM类进行初始化

  ImuGrabber imugb;
  ImageGrabber igb(&SLAM,&imugb,bEqual); // TODO

//ImageGrabber类如下
class ImageGrabber
{
public:
    ImageGrabber(ORB_SLAM3::System* pSLAM, ImuGrabber *pImuGb, const bool bClahe): mpSLAM(pSLAM), mpImuGb(pImuGb), mbClahe(bClahe){}//类的初始化

    void GrabImage(const sensor_msgs::ImageConstPtr& msg);//捕获图像，并进行跟踪
    cv::Mat GetImage(const sensor_msgs::ImageConstPtr &img_msg);
    void SyncWithImu();

    queue<sensor_msgs::ImageConstPtr> img0Buf;
    std::mutex mBufMutex;
   
    ORB_SLAM3::System* mpSLAM;
    ImuGrabber *mpImuGb;

    const bool mbClahe;
    cv::Ptr<cv::CLAHE> mClahe = cv::createCLAHE(3.0, cv::Size(8, 8));
};
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

（4）订阅话题，获取彩色图像，当接收到图像后便会运行此函数，调用ImageGrabber中的GrabImage函数。

如果运行程序时出现没有画面的情形，大概率是因为话题名称不对应，先使用rostopic list或者rviz查看发布的话题，然后更改下面代码中的话题名称。

  // Maximum delay, 5 seconds
  ros::Subscriber sub_imu = n.subscribe("/imu", 1000, &ImuGrabber::GrabImu, &imugb); 
  ros::Subscriber sub_img0 = n.subscribe("/camera/image_raw", 100, &ImageGrabber::GrabImage,&igb);
1
2
3

（5）在回调函数中的GrabImage函数作用是，将订阅获取的ros image message转换为矩阵类型，并将rgb图像以及时间戳参数压入img0Buf，并将其传递给System中的TrackStereo函数，进行跟踪。这里会完成和IMU传感器对齐。

void ImageGrabber::SyncWithImu()
{
  while(1)
  {
    cv::Mat im;
    double tIm = 0;
    if (!img0Buf.empty()&&!mpImuGb->imuBuf.empty())
    {
      tIm = img0Buf.front()->header.stamp.toSec();
      if(tIm>mpImuGb->imuBuf.back()->header.stamp.toSec())
          continue;
      {
      this->mBufMutex.lock();
      im = GetImage(img0Buf.front());
      img0Buf.pop();
      this->mBufMutex.unlock();
      }

      vector<ORB_SLAM3::IMU::Point> vImuMeas;
      mpImuGb->mBufMutex.lock();
      if(!mpImuGb->imuBuf.empty())
      {
        // Load imu measurements from buffer
        vImuMeas.clear();
        while(!mpImuGb->imuBuf.empty() && mpImuGb->imuBuf.front()->header.stamp.toSec()<=tIm)
        {
          double t = mpImuGb->imuBuf.front()->header.stamp.toSec();
          cv::Point3f acc(mpImuGb->imuBuf.front()->linear_acceleration.x, mpImuGb->imuBuf.front()->linear_acceleration.y, mpImuGb->imuBuf.front()->linear_acceleration.z);
          cv::Point3f gyr(mpImuGb->imuBuf.front()->angular_velocity.x, mpImuGb->imuBuf.front()->angular_velocity.y, mpImuGb->imuBuf.front()->angular_velocity.z);
          vImuMeas.push_back(ORB_SLAM3::IMU::Point(acc,gyr,t));
          mpImuGb->imuBuf.pop();
        }
      }
      mpImuGb->mBufMutex.unlock();
      if(mbClahe)
        mClahe->apply(im,im);

      mpSLAM->TrackMonocular(im,tIm,vImuMeas);
    }

    std::chrono::milliseconds tSleep(1);
    std::this_thread::sleep_for(tSleep);
  }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

5. 视觉SLAM图像输入以及初始地图构建

上面一节展示了这幅图，我们也将第一列给讲述完毕了，当然是使用ROS的方式，这里也可以使用opencv等操作，避免使用ROS。下面我们将开始介绍TrackMonocular(im,tIm,vImuMeas);这部分的内容。

这部分主要完成的是将图像传到SLAM系统中并进行跟踪，具体可以参考ORB-SLAM3 细读单目初始化过程(上)和ORB_SLAM3原理源码解读系列（1）—— ORB特征点提取，这一章节中主要介绍了Frame部分，主要完成工作是特征点提取，涉及到的知识点其实很多，包括图像金字塔、特征点均匀化、四叉树算法分发特征点、特征点方向计算等等。然后超详细解读ORB-SLAM3单目初始化（下篇）和ORB_SLAM3原理源码解读系列（2)——单目初始化这一讲主要讲述了Tracking::Track()。Tracking部分作用论文已提及，包含输入当前帧、初始化、相机位姿跟踪、局部地图跟踪、关键帧处理、姿态更新与保存等。除此以外，单目SLAM系统需要设计专门的策略来生成初始化地图（局部建图），这也是为什么代码中单独设计一个CreateInitialMapMonocular()函数来实现单目初始化，在文章ORB-SLAM3 单目地图初始化（终结篇）、ORB_SLAM3原理源码解读系列（3)——创建单目初始化地图和ORB-SLAM3源码阅读笔记1：Tracking、LocalMapping和LoopClosing三线程之间的关系里面有着详细的解释，这里作者建议参照着代码注释与文章来进行解析。

6. System完成多地图以及闭环检测

…详情请参照古月居