写在前面
工欲善其事必先利其器，做视觉SLAM，最好还是有一款相机。
说到相机，又分为单目相机、双目相机、深度相机、事件相机等。
单目SLAM无法获取真实尺度，精度相对于双目要低，深度相机不适合室外，事件相机还没有普及。
综合考虑，打算买一款双目相机，双目相机有ZED、小觅等。
考虑到小觅的价格低，有硬件同步的IMU，以及支持开源项目ORB-SLAM2、VIORB、OKVIS、VINS。
所以，最终买了小觅双目相机。
拆箱
安装好是这个样子的，三脚架有点鸡肋，如果是在自动驾驶汽车上使用，建议用吸盘式支架。
安装SDK
目前，SDK分为1和2两个版本，分别根据教程
https://slightech.github.io/MYNT-EYE-SDK/getting_started_linux.html和https://github.com/slightech/MYNT-EYE-SDK-2-Guide安装即可。
两个SDK不冲突，都安装也无妨。
另外，要注意固件与SDK的适配问题。
我收到的相机固件版本为2.0，因为当时不太懂，所以我首先安装了SDK1，基本上没有问题，但是偶尔会出现下图所示的问题。
此时，相机无法获取图像，如果正在跑SLAM，程序会卡死，只能强制退出。
因此，最好安装SDK2，但是问题来了，目前小觅支持的开源项目只支持SDK1，所以想用SDK2，又想跑开源项目的朋友只能等小觅更新了。
跑ORB-SLAM2
配置MYNT-EYE-ORB-SLAM2-Sample
根据https://github.com/slightech/MYNT-EYE-ORB-SLAM2-Sample安装即可，其实就是对ORB-SLAM2添加了小觅相机的支持。
如果已经配置好ORB-SLAM2，只需在ORB-SLAM2/Examples/Stereo/目录下添加MYNT-EYE-ORB-SLAM2-Sample//Examples/Stereo/目录下的stereo_mynteye.cc和cam_stereo.yaml（注意要将标定参数修改为自己相机的），然后在ORB-SLAM2的CMakeList.txt中相应位置添加以下语句，或者直接用MYNT-EYE-ORB-SLAM2-Sample的CMakeList.txt覆盖ORB-SLAM2的CMakeList.txt，最后重新编译安装即可。
# MYNT EYE
if(DEFINED ENV{MYNTEYE_SDK_ROOT})
set(MYNTEYE_SDK_DIR $ENV{MYNTEYE_SDK_ROOT})
endif()
set(MYNT_SDK_LIB_DIR ${MYNTEYE_SDK_DIR}/lib)
include_directories(${MYNTEYE_SDK_DIR}/include)
add_executable(stereo_mynteye
Examples/Stereo/stereo_mynteye.cc)
target_link_libraries(stereo_mynteye ${PROJECT_NAME} ${MYNT_SDK_LIB_DIR}/libmynteye_core.so)实车测试
用吸盘式支架，将相机固定到无人驾驶汽车前挡风玻璃上，分别在地下停车场和地上进行了测试。
地下停车场测试
人工驾驶汽车在地下停车场跑了一个闭环。
运行过程截图
目测感觉比较稳，但是受光照影响较大。
有时候就在想，如果相机能把光照问题解决好，给SLAM输入的就是质量较好的图，那将大大减轻SLAM端算法的压力，提升性能。
闭环后截图
系统检测到了闭环，开始了BA，但是我笔记本电脑的CPU：97%，运行内存：70%，等了好久BA都没结束……所以这个图并不是最终的结果。
其实，我同时还录制了用Velodyne采集的激光雷达数据，然后用loam建图进行对比，可惜在拷贝数据时出问题导致数据丢失……
地上测试
人工驾驶汽车在地上跑了一个闭环。
RTK采集的轨迹
我用RTK采集了汽车的行驶轨迹，目的是与ORB-SLAM2输出的轨迹作对比。
闭环后截图
与地下停车场的测试一样，计算量过大，BA没有结束，并不是最终的轨迹。
但是感觉就算BA完成，精度也会差很多。因为受光照和车辆、行人等动态物体的影响太大，测试过程中，前方出现几个行人，直接被带偏……
总结
从以上的测试可以看出，效果并不好。
相机对光照太敏感，尤其是面朝太阳或在暗光环境下，成像质量受到很大的影响。
ORB-SLAM2在KITTI数据集上效果较好，但实际环境要比KITTI的场景复杂很多。
疑惑
为什么同样的笔记本电脑，跑KITTI没问题，而实际测试完成BA却要花费更多的时间？
猜测
ORB-SLAM2的KITTI00-02.yaml中Camera.fps: 10.0，KITTI数据集也可能是10fps，而小觅相机默认帧率为30fps，再加上可能是long-term SLAM，所以要处理更多的图像，导致计算量过大，处理时间延长。
验证
录制好数据集，让笔记本电脑慢慢去跑吧，或者用性能更好的台式机跑。
畅想
突然感觉视觉SLAM在室外应用还有很长的路要走，而且对于稀疏和半稀疏地图来说，只能定位，无法进行避障、导航等任务。
先给自己挖个坑——研究如何处理动态物体问题。
最后，欢迎交流。