摘要：单目，实时，室内室外，动态杂乱环境足够鲁棒。同样的特征输入，对于tracking,mapping,relocalization and loop closing.
Bundle adjustment 对相机定位和稀疏几何重建提供了精确的评估，强的初始匹配和好的初始猜测。但一直以来的难点是不能实时，本文将介绍在非约束条件下，实时的SLAM算法，BA必须满足以下条件：
- 对所选帧（关键帧）的子集中的场景特征（mappoints）的相应观察。
- 关键帧的选择，避免冗余，因为随着关键帧的增加，复杂度也会增加。
- 关键帧和点的强大网络配置，以产生准确的结果，即一组良好的关键帧观察点具有显著的视差和大量的循环闭合匹配。
- 对于非线性优化，关键帧位姿和定位点的初始评估。
- 探索中的本地地图，其中优化的重点是实现可扩展性。
- 能够执行快速全局优化（例如姿势图）以达到实时闭环。
接着说下前辈们的算法（PTAM）还有哪些槽点：
尽管提供了简单高效的关键帧选择，特征匹配，点三角测量，每帧的摄像机定位，以及跟踪失败后的重定位。
emmmm，but……
被限制在小尺度环境运行，缺少闭环检测，缺少对闭塞的充分处理，以及对重定位视点的低不变性和人工干预的地图引导。
既然大师有这么多问题，那就让我们取长补短，汇集百家，以实现我们的ORB_SLAM大法。
本篇文章主要思想还是基于PTAM，以及参考文献5678，去解决上面提到的问题，由此slam圈的又一颗新星诞生了。
主要贡献：
- the same feature for all tasks:tracking,mapping……ORB features 提供了很好的实时和鲁棒性（对于光照和视点的改变）。
- Real-time operation in large environment.由于共视图，跟踪和建图被集中在独立于全局图大小的局部共视区域。
- 基于位姿图优化的实时闭环，本质图，构建于系统、闭环链接和共视图的强边的生成树。
- 实时相机重定位，具有显著的视点和光照不变性。增强了地图复用。
- 一种新的基于模型选择的自动鲁棒初始化程序，允许创建平面和非平面地图。
- 一种现存最好的地图点和关键帧筛选的方法，选取宽松，剔除严格。增加了鲁棒性，并增强了整个过程，因为冗余关键帧已被剔除。
接下来，开启卖瓜模式……
