1.ORB-SLAM2源码系列--局部建线程（MapPointCulling和KeyFrameCulling）
2.视觉SLAMORB-SLAM：让人Orz的SLAM
3.ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）
4.基于ORB-SLAM3的多鱼眼摄像头MAVIS开源啦！
5.ORB SLAM2源码解读(二)：MapPoint类
6.视觉slam实践之orbslam3

ORB-SLAM2源码系列--局部建线程（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driverload源码观测阈值

       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，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。

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。c# 斗地主源码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提供多样化的网狐荣耀+源码+下载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。

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，s912+源码输出并增强地图重用性。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。

基于ORB-SLAM3的多鱼眼摄像头MAVIS开源啦！

       基于ORB-SLAM3的多鱼眼摄像头MAVIS：一个先进的视觉-惯性SLAM框架

       MAVIS, 一项由Yifu Wang, Yonhon Ng, Inkyu Sa等人开发的创新工作，提出了一种专门针对多摄像头系统优化的视觉惯性SLAM解决方案，其核心在于SE2(3)自同构的精确IMU预积分公式。这一框架利用了多摄像头系统广阔的视场和精确的IMU测量，提升运动估计的精度和对复杂环境的鲁棒性。

       研究中，作者们改进了IMU预积分方法，解决了快速旋转和长时间积分带来的性能下降问题，同时扩展了多摄像头配置的前端跟踪和后端优化模块，以适应更广泛的应用场景。MAVIS在年Hilti SLAM挑战赛视觉-IMU赛道中表现出色，尤其在单次和多次SLAM中获得第一名，其得分是c++安卓源码第二名的1.7倍，验证了方法的有效性。

       MAVIS的独特之处在于处理多摄像头系统，特别是前置立体摄像头，它们提供了比单目或侧向摄像头更广的共视区域。然而，增加摄像头带来了计算成本的挑战，因此，精准处理所有摄像头的数据至关重要，以实现高精度、鲁棒性和效率的平衡。

       系统的关键组成部分包括IMU内参补偿，通过精确校准减少测量误差；基于SE2(3)的自同构指数函数的IMU预积分，提供了更准确的运动模型；以及多摄像头前端跟踪，通过特征匹配和局部地图优化，提高了在复杂环境下的定位性能。

       在Hilti SLAM Challenge 的实验中，MAVIS在低光、无纹理等复杂条件下展示了优异的性能，尤其是在处理多会话挑战时，通过地图融合，生成了全局一致的高精度地图。这一成果证明了MAVIS在多摄像头视觉-惯性SLAM领域的领先地位。

ORB SLAM2源码解读(二)：MapPoint类

       MapPoint是ORB SLAM2中地图中的特征点，其参数包括三维坐标和描述子。MapPoint的核心功能包括维护关键帧之间的共视关系，通过计算描述向量之间的距离在多个关键帧中查找最匹配的特征点，闭环完成修正后修正特征点的位置，以及在非关键帧中生成MapPoint供跟踪功能使用。

       MapPoint主要通过构造函数初始化，关键帧相关的构造函数突出地图点与关键帧之间的观测关系，记录参考关键帧和观测到该点的关键帧。普通帧相关的构造函数用于生成非关键帧中的临时MapPoint。

       MapPoint通过AddObservation函数增加观测关系，判断关键帧是否已存在关系并记录观测信息。EraseObservation函数删除观测关系，判断关键帧是否已移除，同时检查MapPoint的观测次数，若少于2次则删除该点。

       SetBadFlag函数用于删除地图点，并清除所有与该点相关的关联关系。Replace函数替换地图点，用于闭环优化后调整点和关键帧关系。

       MapPoint计算最匹配的描述子以更新点的描述符，通过计算描述子间的距离来选择距离中值最近的描述子。更新法向量和深度值以获取点在关键帧中的位置信息，预测尺度则是根据特征点距离和金字塔的ScaleFactor推测其在金字塔中的层级。

       综上，MapPoint在ORB SLAM2中负责维护关键帧间的共视关系，管理特征点的观测历史，以及在不同帧中调整特征点的位置，实现地图的构建与维护。

视觉slam实践之orbslam3

       一、概述

       Orbslam3 是一款面向单目、双目、RGB-D相机的视觉 SLAM 解决方案。它在三维空间中实时构建环境地图，追踪相机运动。

       二、依赖安装

       2.1 Eigen3 安装（3.1.0以上版本）

       确保安装了Eigen3的最新版本，否则可能遇到找不到Eigen/Dense文件的错误。解决办法是确保安装的Eigen3版本符合要求。

       2.2 Pangolin 安装

       安装Pangolin依赖并完成安装。使用sudo make install命令执行安装。

       2.3 OpenCV 安装

       安装编译/构建工具，下载源文件，编译并构建OpenCV。在Vscode中配置环境，通过运行example.cpp文件检查OpenCV安装是否成功。

       三、Orb-slam3 安装

       直接下载安装包，避免使用git clone操作。如遇错误，检查build.sh文件，调试安装过程。特别注意，使用Eigen3版本3.3.1时，安装较为顺利。避免使用3.3.0及以下版本，因其可能缺少eigen3config.cmake文件。

       四、测试

       下载数据库用于example测试，解压并按照指示操作。将所有文件放置于指定目录下。通过修改路径和运行example下的euroc_examples.sh文件，进行环境地图构建与相机运动追踪的测试。

[ORB-SLAM2] ORB-SLAM中的ORB特征（提取）

       ORB-SLAM中的特征构建以其使用统一的ORB（Oriented FAST and Rotated BRIEF）为核心创新点，使得系统构建更为简洁稳定。本文旨在深入探讨ORB特征的提取流程及对ORB特征的优化改良，以提供直观解答。

       提取流程概览如下：

       第一步：构造金字塔。

       金字塔的构建是理解关键点分布的基础，它通过不同尺度的图像层次化表示，以便在多尺度上寻找特征。金字塔的层级数量与特征的分配直接相关，每层图像面积的减小导致特征点数量的减少，分配策略需确保各层特征点的均衡。

       第二步：提取FAST角点。

       FAST（Features from Accelerated Segment Test）算法基于中心像素与周围像素的灰度对比，高效快速地识别关键点。通过设定阈值，判断像素是否为角点，FAST算法在每个像素点上执行，产生大量角点，再经过非极大值抑制处理以去除冗余点。

       第三步：计算角度。

       通过灰度质心与圆心的向量角度，ORB特征不仅提取了角点，还计算出了每个角点相对于坐标系的角度，这有助于确保每次描述子计算的方向一致性，实现了角度不变性。

       第四步：计算旋转感知的BRIEF描述子。

       BRIEF（Binary Robust Independent Elementary Features）描述子是一个二进制描述子，以其高速匹配速度著称。通过选定的点对对块内的像素进行比较，形成描述子序列。Steered BRIEF根据角点方向旋转描述子坐标点对位置，实现了旋转不变性。

       最后一步：提升抗噪能力。

       ORB在计算描述子时使用周围5×5的patch灰度信息，进行滤波处理，提高了描述子的抗噪性。

       ORB-SLAM的改进主要集中在FAST角点提取步骤。该系统通过动态调整阈值、利用四叉树划分图像等方法，提高了特征分布的均匀性，有效避免了特征扎堆现象。此策略有助于提升SLAM精度、闭环识别性能，并确保全图特征量满足需求，避免了丢失追踪问题。

第四篇 ORB-SLAM2：一种单目、立体和 RGB-D 相机的开源 SLAM 系统

       本篇介绍了ORB-SLAM2，一个适用于单目、立体和RGB-D相机的开源SLAM系统。

       该系统具备地图重用、闭环和重新定位功能，可在各种环境中实现实时工作，包括小型手持室内序列、工业环境中的无人机飞行和城市周边的汽车行驶。

       ORB-SLAM2的后端基于具有单目和立体观察的捆绑调整，允许使用公制尺度进行准确的轨迹估计。

       系统还包含一个轻量级的定位模式，利用视觉里程计轨迹用于未建图的区域，并匹配允许零漂移定位的地图点。

       在个流行的公共序列上的评估显示，ORB-SLAM2的方法达到了最先进的精度，在大多数情况下是最准确的SLAM解决方案。

       本文提出了ORB-SLAM2，一个适用于单目、立体和RGB-D相机的开源SLAM系统。

       该系统具备地图重用、闭环和重新定位功能，可在各种环境中实现实时工作。

       ORB-SLAM2的后端基于具有单目和立体观察的捆绑调整，允许使用公制尺度进行准确的轨迹估计。

       系统还包含一个轻量级的定位模式，利用视觉里程计轨迹用于未建图的区域，并匹配允许零漂移定位的地图点。

       在个流行的公共序列上的评估显示，ORB-SLAM2的方法达到了最先进的精度，在大多数情况下是最准确的SLAM解决方案。

       本文提出了ORB-SLAM2，一个适用于单目、立体和RGB-D相机的开源SLAM系统。

       该系统具备地图重用、闭环和重新定位功能，可在各种环境中实现实时工作。

       ORB-SLAM2的后端基于具有单目和立体观察的捆绑调整，允许使用公制尺度进行准确的轨迹估计。

       系统还包含一个轻量级的定位模式，利用视觉里程计轨迹用于未建图的区域，并匹配允许零漂移定位的地图点。

       在个流行的公共序列上的评估显示，ORB-SLAM2的方法达到了最先进的精度，在大多数情况下是最准确的SLAM解决方案。