ORB-SLAM3整体流程详解

0. 简介

在之前，作者曾经转过一篇《一文详解ORB-SLAM3》的文章。那篇文章中提到了ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统，可以在单目，双目和RGB-D相机上利用针孔或者鱼眼模型运行。与ORB-SLAM2相比，ORB-SLAM3在处理大视差和长时间未观测到的场景时效果更好。它还提供了更准确的帧间运动估计和更快的处理速度。此外，ORB-SLAM3还支持更多的传感器，包括RGB-D摄像头和车载LIDAR。ORB-SLAM3的代码结构也比ORB-SLAM2更加简洁，使得它更容易理解和扩展。

1. 主要贡献

一个单目和双目的视觉惯导SLAM系统：全部依赖于MAP(最后后验概率估计)，即使是在IMU初始化的时候。

高召回率的场景重识别算法:DBoW2需要匹配三个连续的关键帧，太慢了。作者的方法是：候选的关键帧第一次就进行几何一致性检测，然后利用三个共视的关键帧进行局部的一致性检验，这种策略提升了召回率，并简化了数据关联，从而提高了地图准确性，但计算成本变高。

第一个可以解决纯视觉或者视觉惯导的完整的混合地图的SLAM系统。在单目或者双目的系统中,Atlas代表的是一系列不连续的地图，而且可以把他们应用到所有的建图过程中：场景重识别、相机重定位、闭环检测和精确的地图融合。这就允许地图是在不同的时间构建的(增量的SLAM系统)，纯视觉的Atlas是参考的2019年IROS的一篇文章：ORBSLAM-atlas: a robust and accurate multi-map system，本文又添加了视觉惯导的混合地图系统来实现场景重识别。

抽象的相机表示：使SLAM系统与所使用的相机模型无关。并允许通过提供其投影，非投影和Jacobian函数来添加新模型我们提供了针孔和鱼眼模型的实现。

2. ORB-SLAM2 和 ORB-SLAM3 相关改进代码汇总（截止2023.1.30日）

这部分可以看一下作者的《使用ORBSLAM2进行kineticV2稠密建图，实时转octomap建图以及导航》这篇文章。这里来汇总一下2,3中常见的扩展，算是一个大全吧

1.https://github.com/gaoxiang12/ORBSLAM2_with_pointcloud_map
高翔实现的添加稠密点云地图

2.https://github.com/xiaobainixi/ORB-SLAM2_RGBD_DENSE_MAP

3.https://github.com/gaoxiang12/ORB-YGZ-SLAM

使用SVO中直接法来跟踪代替耗时的特征点提取匹配，在保持同样精度的情况下，是原始ORB-SLAM2速度的3倍

4.https://github.com/gaoxiang12/ygz-stereo-inertial
双目VIO版本，加入了LK光流和滑动窗口BA优化

5.https://github.com/jingpang/LearnVIORB
VI-ORB-SLAM2

6.https://github.com/lsyads/fisheye-ORB-SLAM
添加了支持鱼眼

7.https://github.com/AlejandroSilvestri/osmap
添加保存和导入地图功能

8.https://github.com/Jiankai-Sun/ORB_SLAM2
添加保存和导入地图功能

9.https://github.com/AlejandroSilvestri/Osmap-viewer
添加了地图可视化

10.https://github.com/atlas-jj/ORB_Line_SLAM

添加了线特征

11.https://github.com/maxee1900/RGBD-PL-SLAM
添加了点线融合

12.GitHub - ivalab/gf_orb_slam2: Real-Time SLAM for Monocular, Stereo and RGB-D Cameras, with Loop Detection and Relocalization Capabilities
使用了一种更好的特征选择方法