翻译 | ORB-SLAM: a Versatile and Accurate Monocular SLAM System（ORB-SLAM：一种通用的(全能的)精确的单目SLAM系统）

admin管理员组

文章数量:1622541

=======================================================

博主github：https://github/MichaelBeechan
博主CSDN：卡尔曼的BD SLAMer-CSDN博客

=======================================================

ORB-SLAM：一种通用的(全能的)精确的单目SLAM系统

ORB-SLAM: A Versatile and Accurate Monocular  SLAM System

原作者：Raul Mur-Artal, J. M. M. Montiel, Member, IEEE, and Juan D. Tardos, Member, IEEE

翻译时间：2017.8.31

译者：Michael Beechan（陈兵） 重庆理工大学

引用：Mur-Artal R, Montiel J M M, Tardós J D. ORB-SLAM: A Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics, 2015, 31(5):1147-1163.

ORB-SLAM2：https://github/MichaelBeechan/ORB_SLAM2

ORB-SLAM:  http://webdiis.unizar.es/~raulmur/orbslam/ 

摘要

本文提出了ORB-SLAM，在大小场景、室内室外环境下都可以实时操作的一种基于特征的单目SLAM系统。系统对复杂的剧烈运动具有鲁棒性，允许宽基线的闭环和重定位，且包含完整的自动初始化。基于最近几年的优秀算法之上，我们从头开始设计了一种新颖的系统，它对所有SLAM任务使用相同的特征：追踪、建图、重定位和闭环。合适策略的存在使得选择的重建点和关键帧具有很好的鲁棒性，并能够生成紧凑的可追踪的地图，只有当场景内容发生变化地图才改变，从而允许长时间操作。本文从最受欢迎的数据集中提供了27个序列的详尽评估。相对于其他最先进的单目SLAM方法，ORB-SLAM实现了前所未有的性能。为了社会的利益，我们将源代码公开。

关键字：Lifelong mapping, localization, monocular vision, recognition, simultaneous localization and mapping (SLAM).

1 引言

捆绑调整（BA）提供相机定位的精确估计以及稀疏几何重建[1,2]，并且提供了强烈的匹配网络和良好的初始猜测。一段长的时间，这种方法被认为不符合实时性的应用，如在视觉SLAM上（Visual SLAM）。视觉SLAM估计相机轨迹的目标是重建环境。现在，我们知道为了不以过高的计算成本获得准确的结果，实时SLAM算法必须向BA提供以下信息。

1） 对场景特征(地图点)的相应观察是在候选帧(关键帧)的子集中。(匹配)

2） 随着关键帧复杂性的增大，它们的选择应该避免不必要的冗余。(筛选)

3） 关键帧和点的强大网络配置产生精确结果，那就是说，一系列关键帧的观察点，具有明显的视差和大量的闭环匹配。

4） 采用非线性优化初始化估计关键帧位姿和点位置。

5） 构建局部地图过程中，其优化集中在实现良好的稳定性。

6） 执行快速全局优化（例如，位姿图）和实时闭合循环的能力。

Mouragon等人[3]在视觉里程计上完成了BA的第一个实时应用，随后是Klein和Murray

[4]实现了里程碑性的工作，提出了PTAM(Parallel tracking and mapping)。这个算法虽然是有限的小尺度的操作，提供简单而且有效的对每一帧关键帧的选择，特征匹配，点三角测量，相机定位的方法，以及跟踪失败后重定位。遗憾的是，有不少因素限制了它的应用：缺少闭环和适当的处理遮挡，重定位视点的low不变性和需要人为干预地图引导。

在本研究中，我们依赖PTAM的主要观点，Galvez-Lopez和Tardos [5]的位置识别工作，Strasdat等人[6]的闭环尺度意识和[4,5]中使用共视信息进行大尺度操作，设计了ORB-SLAM。一个新颖的单目SLAM系统主要有以下贡献。

1） 对所有任务使用相同的特性：追踪、建图、重定位和闭环。这使得我们的系统更有效率，更简单，更可靠。使用ORB特征[9]，允许没有GPUs的情况下可以应用于实时系统中，在视角和光照变化时提供良好的不变性。

2） 在大环境中实时操作。由于共视图（covisibility graph）的使用，跟踪和建图集中在一个与全局地图大小独立的局部共视区域。

3） 实时闭环基于位姿图的优化，我们称为本质图（Essential Graph）。它由系统维护的生成树构建，闭环链接和strong edges(强边缘)来自共视图。

4） 实时相机重定位，对视角和光照具有显着的不变性。这允许从跟踪失败中恢复，并且还增强了地图重用。

5） 一个基于模型选择的新的自动的鲁棒的初始化过程允许创建初始化一个平面和非平面的场景地图。

6） 一个优胜略汰的方法选择地图点和关键帧，generous in the spawning but very restrictive in the culling.这种策略提升了跟踪的鲁棒性，增强了永久操作性，因为冗余的关键帧被丢弃了。

我们对室内和室外环境的公共数据集进行了广泛的评估，包括手持式，汽车和机器人序

列。特别地，我们在直接方法[10]中实现了比现有技术更好的相机定位精度，其直接优于像素强度而不是特征重投影误差。我们在第IX-B节中讨论基于特征的方法比直接方法更准确的可能原因。

这里介绍的闭环和重定位方法是基于我们以前的工作[11]。在[12]中提出了系统的初步版本。在本文中，我们添加了初始化方法，本质图，并完善了所有涉及的方法。我们还详细描述了所有构建块，并进行了详尽的实验验证。

据我们所知，这是单目SLAM最完整可靠的解决方案，为了社区的利益，我们将源代

本文标签： 精确系统VersatileSLAMORB