Experiments
不详细介绍试验过程！
A. System Performance in the NewCollege Dataset
B. Localization Accuracy in the TUM RGB-D Benchmark
C. Relocalization in the TUM RGB-D Benchmark
D. Lifelong Experiment in the TUM RGB-D Benchmark
E. Large Scale and Large Loop Closing in the KITTI Dataset
CONCLUSIONS AND DISCUSSION
A. Conclusions
B. Sparse/Feature-based vs. Dense/Direct Methods稀疏/基于特征 VS 稠密/直接方法
最近，实时单目SLAM算法，例如DTAM和LSD-SLAM，都可能执行稠密或半稠密的环境重建，然而通过直接优化像素点强度定位相机。这些直接方法不需要提取特征，从而避免相应的伪影。对于模糊，低纹理环境和像沥青这样的高频纹理，它们也更鲁棒。相比于我们的系统或PTAM的稀疏点图，他们的稠密重建相比于相机定位，可能对其他任务更加有用。
然而，直接法也有其自身的限制。首先，这些方法假设在实际场景中产生伪影的平面反射模型。光度一致性限制了匹配的基线，通常比特征允许的基线窄。这对重建精度有很大影响，需要宽基线观测以减少深度不确定性。如果没有正确建模，直接方法会受到滚动快门，自动增益控制和自动曝光伪像（如TUM RGB-D基准）的很大影响。最后，因为直接法通常需要较高计算量，地图仅仅像在DTAM中递增扩展，或者地图优化被简化到位姿图，像在LSD-SLAM中那样，丢弃所有传感器测量值。
相比之下，基于特征的方法可能用宽基线匹配特征，主要由于其对视角和光线改变的不变性。束调整BA联合优化相机位姿和传感器测量点。在结构和运动估计方面，Torr和Zisserman已经指出基于特征的方法相比于直接法的优点。在这篇文章中，我们提供了基于特征的方法在实时SLAM中的卓越的精度的实验根据。我们认为单目SLAM的未来应该融合这两种方法。
C. Future Work
