当前位置:   article > 正文

ORB_SLAM3安装运行&性能测试对比_ros下的orbslam3很卡

ros下的orbslam3很卡

目录

一、安装

(1)下载源码

(2)编译

(3)遇到问题

二、运行

(1)本地

(2)ROS

(3)ROS下实时运行

三、 EVO安装&使用

(1)安装

(2)使用

四、与ORB_SLAM2/VINS-Mono性能对比

(1)单目-MH05

(2)双目-MH04

五、总结

补充:

RGBD的精度对比-ATE&RPE

帧率对比


一、安装

环境:ubtuntu16

处理器:i7-8700CPU@3.2GHz×12

内存:64G

第三方库:Pangolin opencv3.2  Eigen3

(1)下载源码

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

ORB-SLAM3论文地址:https://arxiv.org/abs/2007.11898

(2)编译

  1. cd ORB-SLAM3/
  2. chmod +x build.sh
  3. sudo ./build.sh

(3)遇到问题

/home/one/catkin_ws/src/ORB_SLAM3/src/LocalMapping.cc:628:49: error: no match for ‘operator/’ (operand types are ‘cv::Matx<float, 3, 1>’ and ‘float’) x3D = x3D_h.get_minor<3,1>(0,0) / x3D_h(3);  KannalaBrandt8.cpp也是一样的问题!

解决方法:找到对应文件所在行,把x3D = x3D_h.get_minor<3,1>(0,0) / x3D_h(3)换成

x3D = cv::Matx31f(x3D_h.get_minor<3,1>(0,0)(0) / x3D_h(3), x3D_h.get_minor<3,1>(0,0)(1) / x3D_h(3), x3D_h.get_minor<3,1>(0,0)(2) / x3D_h(3));

二、运行

下载数据集&测试

kmavvisualinertialdatasets – ASL Datasets

(1)本地

单目:

./Examples/Monocular/mono_euroc Vocabulary/ORBvoc.txt Examples/Monocular/EuRoC.yaml /home/one/dataset/mav0/cam0/data Examples/Monocular/EuRoC_TimeStamps/MH04.txt

单目+IMU:

./Examples/Monocular-Inertial/mono_inertial_euroc ./Vocabulary/ORBvoc.txt ./Examples/Monocular-Inertial/EuRoC.yaml ./dataset ./Examples/Monocular-Inertial/EuRoC_TimeStamps/MH05.txt

双目:

./Examples/Stereo/stereo_euroc ./Vocabulary/ORBvoc.txt ./Examples/Stereo/EuRoC.yaml ./dataset ./Examples/Stereo/EuRoC_TimeStamps/MH05.txt

双目+IMU:

./Examples/Stereo-Inertial/stereo_inertial_euroc ./Vocabulary/ORBvoc.txt ./Examples/Stereo-Inertial/EuRoC.yaml ./dataset ./Examples/Stereo-Inertial/EuRoC_TimeStamps/MH05.txt

(2)ROS

双目:

rosrun ORB_SLAM3 Stereo Vocabulary/ORBvoc.txt Examples/Stereo/EuRoC.yaml true
rosbag play  MH_04_difficult.bag /cam0/image_raw:=/camera/left/image_raw /cam1/image_raw:=/camera/right/image_raw

双目+imu:

rosrun ORB_SLAM3 Stereo_Inertial Vocabulary/ORBvoc.txt Examples/Stereo-Inertial/EuRoC.yaml true
rosbag play  MH_04_difficult.bag /cam0/image_raw:=/camera/left/image_raw /cam1/image_raw:=/camera/right/image_raw /imu0:=/imu

注意:这里EUROC数据集是没有深度图的,暂时不跑RGB-D

(3)ROS下实时运行

1、开启ROS节点

roscore

2、运行相机节点:

roslaunch kinect2_bridege kinect2_bridge.launch depth_method:=cpu reg_method:=cpu

3、运行ORB_SLAM3:

rosrun ORB_SLAM3 RGBD   ORBvoc.txt PATH   yaml file PATH

问题:

1-相机驱动安装教程:

ROS下实时运行ORB-SLAM2_w²大大的博客-CSDN博客_ros运行orbslam2

KINECT2相机在ubuntu16.04下跑通ORB_SLAM2_努力科研的背心君的博客-CSDN博客

2-运行报话题错误:

在相应main函数中改相机对应的话题,然后重新运行./build_ros.sh编译ROS空间即可-例ros_rgbd.cc,

  1. /kinect2/qhd/image_color_rect
  2. /kinect2/qhd/image_depth_rect

三、 EVO安装&使用

(1)安装

  1. sudo apt install python-pip
  2. pip install evo --upgrade --no-binary evo

(2)使用

单轨迹:

 evo_traj euroc data.csv --plot

因为EUROC真实值.csv文件有17列数据,与.txt对不齐,所以这里去除速度等信息并调整四元数顺序把data.csv转换成.tum格式

TUM真实值格式: 时间戳,三维坐标,四元数相机位姿

EUROC真实值格式: 时间戳,三维坐标,四元数相机位姿 ,速度,角速度,线速度

evo_traj euroc data.csv --save_as_tum

真实轨迹与运行轨迹-对齐:

evo_traj tum KeyFrameTrajectory.txt --ref=data.tum -p --plot_mode xyz -a --correct_scale

计算ape-绝对位姿误差

evo_ape tum KeyFrameTrajectory.txt data.tum  -p --plot -s --correct_scale -a --align -v --save_results ape.zip

关于evo的更多用法可自行搜索

四、与ORB_SLAM2/VINS-Mono性能对比

(1)单目-MH05

ORB_SLAM3

单目:

 

 单目+IMU:

ORB_SLAM2

单目:

VINS-Mono

VINS-Mono配置环境和运行参考其他博客:

一周小结(七)——从零开始配置VINS-Mono运行环境_猛龙过江ing-CSDN博客

注:要想生成轨迹文件需要在相应的配置.yaml文件修改生成的路经,里面默认的是原作者的路经

回环:

不回环:

(2)双目-MH04

为了生成轨迹文件,这里在ROS/ORB_SLAM3/src下的.cc文件对应位置加上生成轨迹的代码

  1. ros::spin();
  2. // Stop all threads
  3. SLAM.Shutdown();
  4. // Save camera trajectory
  5. SLAM.SaveKeyFrameTrajectoryTUM("KeyFrameTrajectory_TUM_Format.txt");
  6. SLAM.SaveTrajectoryTUM("FrameTrajectory_TUM_Format.txt");
  7. SLAM.SaveTrajectoryKITTI("FrameTrajectory_KITTI_Format.txt");
  8. ros::shutdown();

ORB_SLAM3

双目:

 双目+imu:

 ORB_SLAM2

五、总结

 通过对比结果可以得到以下结论:

1-跑单目时,ORB_SLAM3与ORB_SLAM2表现差不多,VINS-Mono表现最差,差了快有一个数量集。另外,ORB_SLAM3加了IMU之后,跑的时候更稳定,精度有所下降。

2-跑双目时,ORB-SLAM2会有一部分轨迹丢失,而ORB_SLAM3比ORB_SLAM2稳定,加了IMU之后,精度提升。

补充:

RGBD的精度对比-ATE&RPE

(1)TUM数据集-rgbd_dataset_freiburg1_desk

 ORB_SLAM3

  ORB_SLAM2

 (2)TUM数据集-rgbd_dataset_freiburg1_plant

 ORB_SLAM3

 ORB_SLAM2

从测试结果上来看,ORB_SLAM3在TUM运行RGB-D效果没有ORB_SLAM2的好。

帧率对比

因最近项目要求,需要在arm平台的xavier部署ORBSLAM3,故顺便做了下小测试。

期间刷机走了不少弯路,这里放我参考的部分文章:

NVIDIA AGX xavier 系列一 刷机步骤经验总结_隔壁的大瓜的博客-CSDN博客_agx刷机

玩转NVIDIA Jetson AGX Xavier(7)--- jetson打开关闭风扇,解决风扇不转_木子山石的学习笔记-CSDN博客_jetson nano 风扇不转

环境ubtuntu18

处理器:ARMv8 Processor rev 0 (v8l) × 4

内存:32G

ORBSLAM2:16.4左右

 ORBSLAM3:26.2左右

总体来看,帧率比ORBSLAM2提高了59.75%左右。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小蓝xlanll/article/detail/646944
推荐阅读
相关标签
  

闽ICP备14008679号