1.ORB-SLAM3 源码剖析：IMU 预积分
2.ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像
3.深度科普：ORB-SLAM3论文重点导读及整体算法流程梳理
4.ORB-SLAM2源码系列--局部建图线程（MapPointCulling和KeyFrameCulling）
5.如何评价ORB-SLAM3？
6.ORB-SLAM2 的算算法编译运行（ubuntu20.04）以及ROS1安装
ORB-SLAM3 源码剖析：IMU 预积分
IMU的数据结构在ORB-SLAM3中用于表示机体坐标系中的测量值。在特定时刻，法源加速度计测量线加速度和陀螺仪测量角速度。原理假设这些测量值包含高斯白噪声，算算法且偏置建模为随机游走，法源其导数也是原理android选择题源码高斯白噪声。将重力转换到机体坐标系后，算算法得到连续视觉帧间的法源IMU预积分结果。这些预积分包括旋转、原理速度和位置测量，算算法以及整个测量向量的法源协方差矩阵。
在ORB-SLAM3中，原理每帧的算算法IMU预积分在tracking线程中计算，具体由Tracking::PreintegrateIMU()函数执行。法源每帧间的原理IMU测量通过src/ImuTypes.cc中的Preintegrated::IntegrateNewMeasurement()进行积分。主要步骤如下：首先进行偏置校正，然后计算位置、速度的增量，接着计算旋转的增量。旋转变化量以李代数中的旋转向量表示，并通过指数映射转换为旋转矩阵。旋转矩阵按旋转顺序右乘。最后，更新协方差矩阵，并调整与偏置修正相关的位置、速度和旋转雅可比。
IMU的偏置校正、测量、标定和预积分类定义在include/ImuTypes.h文件中。
值得注意的是，对于初学者，了解GDB调试方法是android 源码使用提高ORB-SLAM3源码理解效率的重要步骤。GDB提供了一系列功能，允许开发者在运行程序时设置断点、查看变量值、追踪程序执行流程等，从而深入分析代码行为和潜在问题。
ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像
为了便于在不同环境中部署和使用ORB-SLAM3，我尝试将ORBSLAM3及其依赖打包成Docker镜像。以下是构建过程的简要记录，可能存在技术上的不足，期待您的指正。1. 准备Docker环境
首先，确保你的系统已经安装了Docker。如果镜像下载速度慢，可以考虑添加国内和国外的镜像加速器，重启Docker服务以应用更改。2. Dockerfile创建镜像
使用Dockerfile构建镜像时，我开始了一个基础示例，但实际操作时，可能需要根据具体环境调整。例如，基础镜像FROM ubuntu:.，可以通过添加加速器解决下载问题。3. 构建镜像与测试
在Dockerfile中，定义镜像名称和标签（如orbslam3:latest），然后在容器中定位到ORBSLAM3源代码，并进行功能测试。3. 直接容器启动方式
除了Dockerfile，也可以通过拉取基础镜像创建容器，然后在容器中安装所需依赖，如cmake、ros等。伤拳 源码在Ubuntu容器中，通过apt包管理器安装，例如opencv和Eigen，最后将ORBSLAM3源码添加到容器内。4. 镜像制作与发布
所有依赖安装完毕后，使用docker commit命令将容器转化为镜像。镜像可以通过DockerHub发布，需要先注册账号，然后登录并使用docker push命令将镜像上传到公共仓库，以便他人下载使用。以上步骤记录了将ORBSLAM3打包成Docker镜像的基本流程，如有问题或优化建议，欢迎分享。
深度科普：ORB-SLAM3论文重点导读及整体算法流程梳理
本文将深入解读ORB-SLAM3的关键特点和整体算法流程，它革新了视觉和视觉惯性SLAM系统。首先，ORB-SLAM3作为首个实现短期、中期、长期数据关联的单目和双目系统，显著优于同类技术，尤其在实时性和准确性方面，其性能是其他方法的2-倍。通过几何和局部一致性检查，召回率提高，地图准确性增强。
使用Atlas结构表示断开地图，实现位置识别、相机重定位等操作时的无缝拼合。
抽象的相机表示允许灵活支持不同相机模型，只需提供投影、非投影和雅可比函数。量化指标 源码
ORB-SLAM3系统由几个核心组件组成，包括活跃地图的跟踪线程、局部建图线程以及回环和地图合并线程。系统利用ORB-SLAM2和ORB-SLAM-VI作为基础，通过IMU初始化技术，支持单目和立体惯性SLAM。跟踪线程负责实时定位和建图，利用视觉和惯性信息进行优化。
局部建图线程在关键帧区域进行地图构建和优化，利用IMU参数进行最大后验估计。
回环和地图合并线程通过因子图处理地图的融合和回环检测，确保地图的精度和一致性。
在视觉-惯导SLAM中，系统不仅估计相机位姿，还涉及速度、惯性传感器偏置等。通过将视觉和惯性信息结合，形成一个最小化问题，通过因子图表示优化过程。 ORB-SLAM3的源码解析和实际应用将随后进行，对视觉惯性导航和多地图SLAM有兴趣的读者不容错过。ORB-SLAM2源码系列--局部建图线程（MapPointCulling和KeyFrameCulling）
ORB-SLAM2源码系列--局部建图线程详解
MapPointCulling模块负责筛选新加入的地图点，确保地图质量。在ProcessNewKeyFrame函数中，新点被暂存于mlpRecentAddedMapPoints。筛选过程包括：根据相机类型设定不同的观测阈值
遍历新点，若点已标记为坏点则直接从队列中移除
若点的观察帧数少于预期值的%，或者观察相机数量少于阈值cnThObs，即使过了两个关键帧也会被删除
只有经过三个关键帧且未被剔除的点，才会被认定为高质量点，仅从队列移除
另一方面，u大师源码KeyFrameCulling则针对共视图中的关键帧进行冗余检测。步骤如下：提取当前关键帧的共视关键帧，并遍历它们
对于每个共视关键帧，检查其地图点：若至少有3个其他关键帧观测到，被认为是冗余点
对于双目或RGB-D，仅考虑近距离且深度值大于零的地图点
若关键帧%以上的有效地图点被判断为冗余，该关键帧将被标记为冗余并删除
这样的筛选机制确保了地图数据的准确性和效率。如何评价ORB-SLAM3？
我觉得 ORB-SLAM3 系统是基于之前的 ORB-SLAM2、ORB-SLAM-VI 进行扩展。作者组的工作一脉相承，围绕着 ORB feature-based SLAM 做了非常多有重大意义的工作。本文其中在一些重要改进模块，如 IMU 初始化、multi-map system 等，是作者组里前几年的工作。我认为这是一篇更加偏向于系统性质的文章，把这么多工作串了起来，并且作者非常慷慨的把它开源了出来，非常赞！ORB-SLAM2 的编译运行（ubuntu.）以及ROS1安装
在 Ubuntu . 环境中，编译并运行 ORB-SLAM2 需要一系列的准备工作和库的安装。首先，确保已安装了所需的依赖项，然后按照指定链接从 GitHub 下载并安装 Pangolin-0.6 稳定版。
接着，进行 OpenCV-3.4.5 的安装，包括下载、配置编译环境和查询版本信息以验证安装是否成功。对于 Eigen3，建议源码安装默认的 Eigen 版本（3.3.9），并将其头文件复制到相应目录以确保正常工作。若需要使用特定版本（如3.3.7），需手动安装并调整位置。
在编译 ORB-SLAM2 时，需处理常见的报错，例如在 `System.h` 中添加 `#include` 以解决 `usleep` 报错，并根据特定链接调整 `LoopClosing.h` 文件中的代码以解决第二个报错。第三个报错需删除 `CMakeCache.txt` 文件并重新执行 `cmake ..` 和 `make` 命令。
成功编译后，需在特定目录下运行 ORB-SLAM2，确保使用正确的终端打开以找到可执行文件。此外，安装 ROS1 可以通过一键安装工具完成，注意管理日志目录的大小以避免警告。在安装完成后，启动 ROS Master、小海龟仿真器和海龟控制节点，以验证 ROS1 是否已成功安装。
安装过程中可能遇到的问题包括 ROS 目录的位置和库查找问题，以及如何在编译 ORB-SLAM2 时指定依赖目录。通过将 ROS 目录添加到环境变量（如 `PYTHONPATH` 或 `LD_LIBRARY_PATH`）中，可以解决这些问题并确保库的正确查找。
ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）
本文介绍了一种名为ORB-SLAM的新型单目SLAM系统，该系统在各种环境条件下都能实时运行。ORB-SLAM具有鲁棒性，支持宽基线回环和重定位，并且提供全自动初始化。系统的核心设计是基于相同的特征用于跟踪、建图、重定位和回环，这使得系统高效、简单且可靠。ORB特征因其对视角和光照变化的鲁棒性而被采用，允许在不依赖GPU的情况下实现实时性能。系统在大环境下的实时运行能力归功于共视图的使用，跟踪和建图着重于局部共视区域，与全局地图尺寸无关。实时回环检测通过基于位姿图（本质图）的优化实现，而实时重定位则支持从跟踪失败中恢复位姿，并增强地图重用性。系统还引入了一种新的基于模型选择的自动且鲁棒的初始化过程，允许创建平面和非平面场景的初始化地图。一种针对地图点和关键帧选择的适者生存策略提高了跟踪的鲁棒性，并且减少了冗余关键帧，增强了长时间运行的能力。
ORB-SLAM在广泛评估中证明了其优越性，特别是在室内和室外环境的主流公开数据集上的评估。与最先进的单目SLAM方法相比，ORB-SLAM实现了前所未有的性能。系统被设计为完整且可靠，提供了一种最高效、精确且易于实施的解决方案。出于造福SLAM社区的目的，源代码已公开，以便其他研究者和开发者能够利用和改进这一系统。演示视频和代码可以在项目网页上找到。
视觉SLAMORB-SLAM：让人Orz的SLAM
ORB-SLAM，在视觉SLAM领域享有盛誉，其源码在GitHub上已有4.4K+Star，充分彰显了西班牙小哥的出色贡献。近期深入研究其论文并结合源码，体验了一番酸爽，发现它在SLAM领域确实有着独特的魅力与贡献。
ORB-SLAM的核心框架由三个并发进程组成：跟踪、局部建图和回环检测，系统结构清晰，功能分明。跟踪是主进程，负责定位和跟踪相机运动，通过特征匹配实现定位与优化。局部建图则负责关键帧与地图点的插入、删除及局部优化。回环检测则通过搜索回环关键帧，实现位姿图优化，确保系统鲁棒性。
特征提取是ORB-SLAM的关键之一，它采用ORB特征，兼顾性能与效率。与SURF、SIFT等相比，ORB提取速度快，每张仅需.3ms，适用于实时操作。ORB在FAST角点基础上加入方向信息，使BRIEF描述子旋转不变，同时利用图像金字塔和灰度质心法提取特征，实现尺度不变性。此外，通过网格划分与四叉树结构，ORB-SLAM确保特征点分布均匀，即使特征点不足，也可通过调整FAST阈值增加。
单目初始化是ORB-SLAM的另一大亮点，它通过特征点匹配计算基础矩阵和单应矩阵，自动判断场景类型，无需人工设定模型。共视图与本质图结构则加强了关键帧间的联系，实现高效回环检测。相机重定位策略确保了系统在跟踪失败时能快速恢复，关键帧与地图点的删增策略则优化了系统性能。
ORB-SLAM提供多样化的Bundle Adjustment方式，包括初始化阶段的全BA、跟踪过程的运动BA及局部建图阶段的局部BA，适应不同场景需求。整个系统庞大复杂，通过总结主要特性，虽有其精髓，但仍需深入研究，以充分理解其工作原理与优化策略。
总之，ORB-SLAM在视觉SLAM领域展现出了其独特魅力与贡献，从其高效的特征提取到灵活的系统框架，再到多样化的优化策略，无不体现其在SLAM技术中的卓越地位。向所有SLAM领域的先驱者致以崇高的敬意。
ORB特征提取与匹配
本文主要回顾了ORB特征提取的过程，并解决了个人对这一主题的疑惑，但未深入探讨OpenCV源码，原因在于个人懒于解析。文章参考了高翔的《视觉SLAM十四讲》和相关opencv实现，欢迎读者指正错误。
好的特征点在于其显著性和匹配的准确性。角点特征，如E和F，因其特征明显，是理想的匹配对象。ORB算法采用OFAST快速提取这些特征点，下面将介绍OFAST和Oriented FAST的原理。
OFAST角点检测基于亮度变化，例如，如果圆周上的连续个点亮度超过或低于特定阈值，像素可能被识别为特征点。Oriented FAST在此基础上增加方向信息，以保持旋转不变性。
图像金字塔通过高斯模糊和降采样处理，解决了尺度不变性问题，确保不同尺度下的角点特征能准确匹配。接下来是BRIEF描述子，ORB算法使用的改进BRIEF描述特征，通过二进制编码存储角点邻域信息，以便判断匹配性。
特征方向与BRIEF描述子的结合，保证了旋转不变性。尽管旋转后BRIEF描述子会发生变化，但根据角点方向调整pattern，可以恢复旋转前的状态。
总的来说，ORB特征提取包括角点检测、方向信息添加、尺度不变性处理以及BRIEF描述子编码，这些步骤共同确保了特征点的稳定性和匹配效率。通过《视觉SLAM十四讲》的实例，我们可以理解并应用这些技术。
