【那些年我们一起看过的论文】之《ORB-SLAM: A Versatile and Accurate Monocular SLAM System》

---

/*
基于特征的方法OR...SLAM适用于内外不同环境空间,相机能够进行较为灵活的操作,仅当场景发生变动时才会进行更新,从而降低资源消耗,表现较为出色,源代码已公开,建议运行并体验以了解其性能,供进一步研究参考.
*/
主要参考了PTAM的核心思想,Rubble贡献定义ORB特征点,DBow2提供了环路检测方法,Strasdat提出了环路闭合及共 visibility图相关技术,Kuemmerle与Grisetti共同提出了基于g2o框架的信息融合优化方法.

他采用ORB作为特征指标，在于其优异的旋转不变性能以及高效的匹配效果，并且能够与BA方法良好配合。

Contributions（贡献）：

1. 本系统采用统一的特征识别方法适用于所有任务类型（ORB）。
2. 该系统实现了高效且可靠的实时定位能力，在大规模复杂环境中表现突出。
3. 通过姿态图优化算法实现了实时的轨迹闭合。
4. 该系统实现了鲁棒的三维相机重定位功能，在光照变化和视角偏差方面表现出高稳定性。
5. 基于模型自适应选择的新初始化算法能够构建平面与非平面场景的地图。
6. “适者生存”策略用于点位和关键帧的选择过程中，在生成密度上较为宽松，在筛选精密度上则非常严格。该策略显著提升了跟踪稳定性和系统的长期运行能力

相比而言，在采用双线程技术的基础上新增了一个thread：该系统采用了三个子进程即Tracking（用于跟踪运动物体的过程）、Local Mapping（构建局部地图的过程）以及Loop Closing（实现循环闭合的技术）。

Our primary achievement is to significantly enhance the applicability of PTAM in challenging environments.

补充， ORB_SLAM中g2o的优化分为多个层次, 从低到高为:[1]

1. PoserOptimization任务旨在优化单帧的位姿。该方法根据每个可见的地图点建立多条约束关系，并利用图结构进行最优化求解。
2. 通过OptimizeSim3算法实现两帧之间位姿变换的最佳估计。该过程基于两帧间的多对一对应关系构建超定方程组，并采用最小二乘法求解最优解。
3. LocalBundleAdjustment算法基于关键帧间的相互可见性关系，在CovisbilityMap中构建并维护关键帧间的几何关联网络。
4. OptimizeEssentialGraph方法引入LoopClosure约束条件实现了大范围全局最优解。
5. 全局最优解算法则综合考虑所有相机与地图点之间的几何关系，在统一框架下完成全局最优估计。

只言片语 随手摘录
以上。

引用链接：[1]<>