易扩展的SLAM框架-OpenVSLAM

本文介绍了一种具有较高可用性和可扩展性的可视化SLAM框架——OpenVSLAM。视觉SLAM系统对于AR设备、机器人和无人机的自主控制等是必不可少的。然而，传统的开源视觉SLAM框架并没有像从第三方程序调用的库那样进行适当的设计。为了克服这种情况，我们开发了一个新的视觉SLAM框架。该软件设计简单，易于使用和扩展。它包含了一些有用的特性和功能，用于研究和开发。OpenVSLAM发布于https://github.com/xdspacelab/OpenVSLAM

详细介绍与对比

在介绍中文章高度肯定了 ORB–SLAM 10, 11, LSD–SLAM 4, and DSO 3 是具有开创性的视觉ＳＬＡＭ方案。但是，在可用性和可扩展性方面，它们并没有在易用性和可扩展性的角度对SLAM库进行适当的设计。因此，研究人员和工程师必须努力将这些SLAM系统应用到他们的应用中。换言之，使用现有的视觉SLAM的开源软件作为从3D建模和构建地图等是不方便的，例如机器人和无人飞行器（uav）的自主控制，以及移动设备上的增强现实（AR）。因此，提供一个开源的可视化SLAM框架是非常有价值的，它易于使用，并且易于被用户扩展。

OpenVSLAM优势

OpenVSLAM是一个单目、立体和RGBD视觉SLAM系统，属于基于稀疏特征的直接法。其主要区别于贡献有：

（1）兼容了各种类型的相机模型，可以很好的适配用户选择的相机模型。该系统可以处理各种类型的相机模型，如透视图、鱼眼图和等矩形图。如果需要，用户可以轻松实现额外的相机模型（如双鱼眼，折反射等）。

（2）可以对创建的地图进行加载了存储等操作，并且该项目可以基于预先构建的地图进行定位操作。

（3）系统是完全模块化的，它是通过将将一些易于理解的功能函数进行很好的api封装.

（4）代码工程中提供了一些代码片段用来辅助理解整个系统的核心功能。请参阅./example目录中的*.cc文件，或查看简单教程和示例。

安装教程以及使用教程都很详尽，有兴趣的可以按照教程一步一步来即可。

稀疏视觉SLAM

•MonoSLAM：（单目相机）是第一个基于EKF 14的实时单SLAM系统。

•PTAM：（单目相机）是第一个并行跟踪和构建地图的SLAM系统。它首先采用捆集调整来优化关键帧15的概念。更高的版本支持简单而有效的重新定位 16。

•ORB-SLAM：它（单目）使用三个线程：跟踪，构建地图和闭环检测17。ORBSLAM v2 18支持单目，立体和RGB-D相机。CubemapSLAM 19是基于ORB-SLAM的单目鱼眼镜头SLAM系统。视觉惯性ORB-SLAM 20解释了IMU的初始化过程以及使用视觉信息进行的联合优化。

•proSLAM：（立体相机）是一种轻量级的视觉SLAM系统，且易于理解21。

•ENFT-sfm：（单目相机）是一种特征跟踪方法，可以有效地匹配一个或多个视频序列之间的特征点对应关系22。更新版本ENFT-SLAM可以大规模运行。

•OpenVSLAm ：（支持所有类型的摄像机）23基于具有稀疏特征的间接SLAM算法。OpenVSLAM的优点在于，该系统支持透视图，鱼眼图和等距矩形，甚至支持任何用户设计的相机模型。

•TagSLAM：它通过AprilTag基准标记实现SLAM 24。而且，它为GTSAM因子图优化器提供了一个前端，可以设计大量实验。其他类似的工作可以列出如下，但不仅限于UcoSLAM 25。

开源的目的

Visual SLAM被认为是支持汽车、机器人和xR等行业的下一代技术。我们将OpenVSLAM作为一个开源项目发布，目的是与世界各地的人们合作，加速这个领域的发展。作为回报，我们希望这个项目能为一个更美好的社会带来安全可靠的技术。

OpenVSLAM的主要模块：跟踪、地图构建，以及全局优化模块。

对比ORB-SLAM的路径误差统计

参考文献

向上滑动阅览

1 Raúl Mur-Artal, J. M. M. Montiel, and Juan D. Tardós. 2015. ORB–SLAM: a Versatile and Accurate Monocular SLAM System. IEEE Transactions on Robotics 31, 5 (2015), 1147–1163. https://doi.org/10.1109/TRO.2015.2463671

２ Raúl Mur-Artal and Juan D. Tardós. 2017. ORB–SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras. IEEE Transactions on Robotics 33, 5 (2017), 1255–1262. https://doi.org/10.1109/TRO.2017.2705103

3 Jakob Engel, Vladlen Koltun, and Daniel Cremers. 2018. Direct Sparse Odometry. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) 40, 3 (2018), 611–625. https://doi.org/10.1109/TPAMI.2017.2658577

4 Jakob Engel, Thomas Schöps, and Daniel Cremers. 2014. LSD–SLAM: Large-Scale Direct Monocular SLAM. In Proceedings of European Conference on Computer Vision (ECCV). 834–849. https://doi.org/10.1007/978-3-319-10605-2_54