大模型具身智能机器人ORB-SLAM3基本原理与安装运行.pptx

大模型具身智能机器人ORB-SLAM3基本原理与安装运行

1主要内容23ORB-SLAM3基本原理ORB-SLAM3库文件安装ORB-SLAM3编译安装与运行4UMI示例数据集

1ORB-SLAM3基本原理

ORB-SLAM3系列算法演进4PTAM（ParallelTrackingandMapping），首次实现了跟踪和建图的并行化，使用非线性优化，引入了关键帧机制ORB-SLAM（ParallelTrackingandMapping），在PTAM架构基础上，增加了地图初始化和回环检测的功能，优化了关键帧选取和地图构建的方法ORB-SLAM2，在ORB-SLAM架构基础上，增加了地图初始化和回环检测的功能，优化了关键帧选取和地图构建的方法VI-ORB-SLAM，ORB-SLAM2基础上，增加了惯性测量单元IMU（InertialMeasurementUnit）ORB-SLAM-Atlas，在ORB-SLAM2基础上，增加了无限量断开的子地图管理系统并可以将它们无缝合并ORB-SLAM3，在ORB-SLAM2基础上，增加了对单目、双目、RGB-D和鱼眼相机的支持，引入了惯性测量单元(IMU)来辅助单目视觉SLAM并且增加了Atlas多地图的支持；同时，回环检测为了支持多地图的模式，提供了一种叫WeldingBA的优化方式。

PTAM（ParallelTrackingandMapping）算法5跟踪线程：不修改地图，只是利用已知地图来快速跟踪；建图线程：专注于地图的建立、维护和更新PTAM架构及流程1.并行化跟踪和建图：PTAM成功地将相机跟踪和环境建图的过程并行化处理，这提高了处理效率和实时性。传统的方法通常是串行处理跟踪和建图的步骤，而PTAM通过并行化这两个过程，能够在进行跟踪的同时不断更新地图。2.使用非线性优化：PTAM是第一个在后端使用非线性优化方法，而不是传统的滤波器（如卡尔曼滤波器）的方案。非线性优化方法能够更准确地处理复杂的相机运动和环境变化，从而提高系统的稳定性和精度。3.关键帧机制：PTAM引入了关键帧机制，而不是处理每一帧图像。关键帧机制的核心思想是只选择一些重要的图像帧（关键帧）进行精细处理和建图。通过连接这些关键帧，可以有效地估计相机轨迹和构建环境地图。不仅减少了计算量，还能保持地图和轨迹的准确性。

ORB-SLAM（OrientedFASTandRotatedBRIEFSLAM）算法6基于特征点的单目视觉SLAM，在PTAM架构基础上，增加了地图初始化和回环检测的功能，优化了关键帧选取和地图构建的方法ORB-SLAM架构及流程1.特征提取和匹配使用ORB(OrientedFASTandRotatedBRIEF)特征，ORB是一种高效且具有旋转不变性的特征描述子。提取关键点并计算其描述子，用于跟踪和匹配图像帧之间的特征点。2.跟踪（Tracking）线程通过提取ORB特征点，在视频流中逐帧跟踪这些特征点。使用初始位姿估计和重定位技术来确定相机的初始位置。跟踪局部地图并进行优化，根据规则输出关键帧。3.局部建图（LocalMapping）线程插入新关键帧，并验证和修剪最近生成的地图点。使用局部BA(BundleAdjustment)进行优化，创建新的地图点并修剪冗余的关键帧。4.回环检测（LoopClosing）线程分为回环检测和回环校正。使用BOW(BagofWords)快速匹配回环闭合。使用Sim3计算和转换，最后进行回环融合和优化，实现地图的全局一致性。

ORB-SLAM2算法7在ORB-SLAM架构基础上，增加了地图初始化和回环检测的功能，优化了关键帧选取和地图构建的方法ORB-SLAM2架构及核心优化1.多类型相机支持支持单目、双目和RGB-D相机2.完整的SLAM方案不仅能实时构建地图，还能重复使用已创建的地图，提供回环检测和重新定位功能，增强系统的鲁棒性和长期性能。3.光束法平差优化（BA）在后端采用光束法平差（BA）来优化相机轨迹和地图。BA方法在单目和双目摄像头输入下都能实现米级尺度的精确轨迹评估。4.轻量级定位模式此模式允许系统在未知区域中进行视觉里程计追踪，即使在未建图的情况下也能保持定位。

VIORB-SLAM（Visual-InertialMonocularSLAMwithMapReuse）算法8在ORB-SLAM2基础上，增加了惯性测量单元（InertialMeasurementUnit），实现了一种紧耦合的视觉惯性同步定位与建图（Visual-InertialSLAM）系统VIORB-SLAM优化方法1.闭环重用提出了一种紧耦合的视觉惯性同步定位与建图（