orb-slam在众多SLAM方法中处于怎样的地位

Posted 2023-04-24

参考技术A orb-slam综合感觉不错，就是pure rotation容易跟丢，提取特征点少的场景景容易跟丢。lsd速度慢，精度低些，不过因基于gradient，估计对规则纹理的室内和建筑场景有利。svo对于手持拍摄视频不好，作者提供的无人机测试数据还可以。 orb-slam和lsd今年都有新论文可以看看，多个方法各有优劣。

对于移动平台，目前单目slam算法的运算和存储要求高，稳定性也还不够。分方向还有stero camera，rgb-d，other sensors combined （imu, gps）等。

ORB-SLAM2初步（跟踪模块）

一、跟踪模块简介

　　在ORB-SLAM或其他SLAM系统中，跟踪的主要任务是根据相机或视频输入的图像帧实时输出相机位姿。在ORB-SLAM中，跟踪模块的主要任务是实时输出相机位姿和筛选关键帧，完成一个没有经过优化或者说全局优化的视觉里程计。通常根据相机的不同采用的方法也不相同，如单目除了需要进行初始化外通常根据特征匹配结果使用PnP算法求解相机位姿。

二、跟踪模块分析

　　如图 是ORB-SLAM跟踪模块的技术流程图

　　其流程为首先获取第一张彩色图像，然后转为灰度图，提取ORB特征，通常第一帧会构建为关键帧；

　　然后进入跟踪过程（以单目为例），如果没有初始化则会进入自动初始化模块：定义参考帧和当前帧，提取ORB特征，进行特征匹配，然后分别计算单应矩阵和基础矩阵（双线程），使用H，F的判别模型判断在当前环境下使用哪个模型进行位姿求解，最后使用对应的求解方法求解H或F矩阵获取相机初始位姿，并使用三角测量计算匹配特征点的深度信息，获得3D点；

　　ORB-SLAM中关于跟踪状态有两种选择（1）只进行跟踪不建图（2）同时跟踪和建图，这里以（2）为例。初始化之后ORB-SLAM有三种跟踪模型可供选择，首先假设相机恒速（即Rt和上一帧相同），然后计算匹配点数（如果匹配足够多则认为跟踪成功），如果匹配点数目较少，说明恒速模型失效，则选择参考帧模型（即特征匹配，PnP求解），如果参考帧模型同样不能进行跟踪，说明两帧键没有相关性，这时需要进行重定位，即和已经产生的关键帧中进行匹配（看看是否到了之前已经到过的地方）确定相机位姿，如果重定位仍然不能成功，则说明跟踪彻底丢失，要么等待相机回转，要不进行重置；

　　假如通过一种模型完成了初始相机的位姿估计，则进一步跟踪局部地图，即和当前帧相关联的地图点做联合优化，获得一个较为准确的相机位姿；

　　输出相机位姿说明跟踪过程已经完成，下面就是根据一定的判定条件判断当前帧是否可以作为关键帧输出，判定关键帧的条件一般为距上一关键帧过去了多少帧，和上一关键帧之间的匹配点的数量等。

三、跟踪模块总结

　　从上面的流程可以看出，如果想进一步提升跟踪的速度，第一是从ORB特征的提取和建立描述符入手，第二是从局部地图跟踪入手，而相机初始位姿估计可能优化的余地不是很大。

后面想根据代码具体谈一谈跟踪过程的实现方式。