ORB-SLAM2论文阅读笔记（结合ORB-SLAM）
该摘要总结了ORB-SLAM2的构建过程及其在SLAM领域的创新性。ORB-SLAM2基于ORB-SLAM，而ORB-SLAM则依赖于多个关键技术：PTAM的局部BA方法、RSLAM的回环检测、2010年关于单目SLAM尺度漂移问题的论文，以及J. Civera的逆深度参数化方法。此外，该系统还结合了LSD-SLAM的半稠密直接法、DVO-SLAM的回环检测以及基于BA的全局一致稀疏重建方法。系统通过tracking、local mapping和loop closing三个线程实现定位和重定位，地图采用covisibility graph和spanning tree进行优化。最终，ORB-SLAM2提出了一种高效、鲁棒的SLAM方法，通过BA计算消耗小且适合实时应用，显著优于ICP和直接法。
相关工作提要：
ORB-SLAM2基于ORB-SLAM的工作；
而ORB-SLAM基于：
PTAM的核心思想在于仅实现局部贝叶斯定位（BA），而缺乏大型回环结构，因此也缺乏全局一致的地图。recocalization的地图导入需要人工干预，这在一定程度上限制了其应用范围。此外，观测点的不变性较低，这可以理解为观测点的稳定性较差。在关键帧的选取、特征匹配、点三角化、每帧的相机定位以及tracking 失败后的relocalization等方面，均提供了较为有效的方法。
2(place recognition)采用二元词袋模型实现快速位置识别（Bags\ of\ binary\ words\ for\ fast\ place\ recognition\ in\ image\ sequences），该论文于2012年发表。然而，2011年的RSLAM同样实现了回环定位，但其方法未强制执行全局一致的解，因此2014年该作者提出了基于关键帧的快速回环定位方法。2015年的ORB-SLAM则在此基础上发展出一套基于该论文的回环定位与重定位技术。
该算法在2010年发表于RSS，系统性地分析了单目SLAM中的尺度漂移问题。
一、远点与近点采用不同的策略，具体见：
J. Civera, A. J. Davison, and their corresponding authors, “Inverse-depth parameterization for monocular SLAM technique,” IEEE Trans. Robot., vol. 24, no. 5, pp. 932–945, 2008.
该论文采用逆深度参数化的方法对远点进行处理，并获得了经验性数据。基线距40倍以内的深度通常能够被有效参数化，用于计算相机的旋转、位移和缩放。基线距超过40倍的点被视为远点，能够提供旋转信息，但位移和尺度信息相对较弱，这些点需要在多个视图的基础上进行三角计算。
二、LSD-SLAM 属于半稠密直接法，其核心机制是通过最小化大梯度图像块的光度误差来实现空间重构，且不依赖于特征点匹配。然而，该算法容易受到快门运动模糊和非博朗反射特性的影响，导致定位精度下降。
三、DVO-SLAM系统在前端通过视觉里程计实现光度与深度误差的同步优化，在后端采用启发式方法在历史帧中搜索回环。
该论文所提出的方法主要特点在于后端采用BA算法，并构建了全局一致的稀疏重建模型。其目标是实现长时间的全局一致定位任务，而非追求细节级别的稠密重建，然而，由于姿态估计的高精度，也可以实现精确的全局稠密重建。
系统流程
主要分为三个线程：
tracking ：通过与局部地图的匹配，得到帧间的相机位姿估计。通过仅利用运动BA方法来最小化重投影误差。
2.local mapping：负责管理局部地图的建立与维护，包括去除局部地图股关键点和局部关键帧集合。此外，还有local BA的支持。
loop closing环节：通过place recognition模块识别回环，并利用pose graph进行优化校正累积误差。此线程在识别回环后会触发第四个线程-full BA运行。该模块不仅用于检测成功情况，还用于在出现追踪失败时重新定位。
地图：
地图采用covisibility graph 和spanning tree
covisibility graph : 变种Pose-Pose网络，其顶点仍为Pose，但边增加了权重。由于时间上相邻的帧间可能具有较多共识的空间点，因此将共同观测到的空间点的数量用一个数值来量化其共识性的大小作为权重。这个数值越小，表示两帧间共同观测的点就越少，进而相似性也越低。我的理解是，运动相应会越大，因为用间隔最远的Pose（权重最小）连接起来（即最小生成树算法，Spanning Tree），这样在整体进行Pose graph优化时，能够使位姿最小，计算量也最小。因此，这种图的优势在于既可以进行局部BA优化，也可以通过最小生成树算法来进行整体优化。
结论：
开发出了一个完整的SLAM系统，其中最为关键的是构建了一个针对已有地图的localization mechanism，该系统能够实现零漂移、定位准确且具有良好的鲁棒性。
从ORB-SLAM2的输出结果可以看出，BA方法在ICP和直接应用中表现更为优异。该方法具有较低的计算开销，且无需依赖GPU加速，即可实现实时性。