https://blog.csdn.net/ccfiricen/article/details/79089694
Maplab开源VI-SLAM框架介绍
1.概述
2.系统架构
3.使用例程
1. 概述
Maplab是一个开源的VI-SLAM(视觉惯性-即时定位与地图构建)框架。它由著名的ETH Zurich, Autonomous Systems Lab (苏黎世联邦理工学院自动系统实验室) 开发，包含了视觉SLAM相关的多种算法与工具：在线VIO（视觉惯性里程计），进行在线位姿估计并创建地图；在线VI-Localization（视觉惯性定位），进行基于地图的全局无漂移视觉定位；地图管理，用于修改和维护地图，包括地图合并，稀疏化，地点识别和可视化。
2. 系统架构
Maplab框架主要由两部分组成：
1) 在线前端ROVIOLI，实现VIO和定位。它接收图像与惯性传感器数据作为输入，输出全局位姿估计，并建立VI（视觉-惯性）地图。
2) 离线maplab-console，允许用户以离线批处理方式在地图上进行各种算法处理，可以作为新算法的研究试验平台。
maplab框架遵循可扩展和模块化的设计原则，所有的软件组件都是按照软件包来组织管理，采用catkin（ROS的官方构建系统）来构建编译。整个框架都使用C ++ 11标准，所依赖的第三方库都是一些流行的和维护良好的库，如线性代数库Eigen，非线性优化库Ceres 等。此外，maplab提供了ROS接口，方便原始传感器数据输入与结果输出，该框架使用RViz作为三维可视化工具。
2.1 ROVIOLI：视觉-惯性建图与定位
系统中建图和定位的典型工作流程如下图所示。
通常，利用多个建图任务，以确保对同一个区域在空间和时间上的覆盖，进而建立一个更好的单一的定位地图。首先，使用ROVIOLI的VIO模式，通过多个任务建立开环地图，并存储到磁盘。 然后利用多种离线工具进行优化，例如闭环检测，视觉惯性优化或联合注册（地图合并）等，生成一个的紧凑定位地图。之后，ROVIOLI利用先前生成的地图，进行在线定位。持续的在线定位提高了全局位姿估计与跟踪的精度。
2.2. maplab console：离线用户界面
maplab框架使用控制台用户界面进行地图的离线操作。能够同时加载多个地图，进行多任务处理。所有的算法都可以通过控制台命令，应用于已加载的地图。所有算法的特定参数都由控制台标志或文件设置，并且可以在运行时修改。结合RViz的可视化，便于算法原型设计和参数调整。
2.3核心软件包
maplab框架包含几种最先进算法的实现，它们都可以通过maplab控制台使用。以下为一些重要的算法软件包：
VIWLS：视觉-惯性加权最小二乘优化。
Loop closure/localization: 闭环检测与定位系统。
ROVIOLI：在线视觉惯性建图和定位。
Posegraph relaxation: 位姿图松弛优化。
aslam cv2：一个计算机视觉数据结构与算法的集合。
Map sparsification: 选择最佳地标以进行地图稀疏化。
Dense reconstruction：稠密重建，深度融合和表面重建的算法集合。
3. 使用例程
maplab主要包含五个常用的功能：mapping and localization（在线建图和定位），multi-session mapping（多地图构建），map maintenance（地图维护），large-scale mapping（大规模建图）和dense reconstruction（稠密重建）。
3.1 在线建图和定位
对于许多机器人应用来说，获取无漂移全局位姿态估计是非常重要的。通过示教或重复场景，以增强机器人操纵或导航的精度。在maplab中，首先使用ROVIOLI来创建一个初始的VI地图。所需的传感器数据可由离线的Rosbag或在线的ROS主题提供。在建图的最后阶段，VI图自动进行闭环检测，优化，关键帧提取等，综合生成一个紧凑的定位地图。 接下来，基于先前生成的定位图，ROVIOLI可以获得无漂移的全局姿态估计，如下图所示。
3.2. 多地图构建
在许多地图应用中，单次建图不可能覆盖整个环境。除此之外，尽可能在多种不同的视觉外观条件下采集环境信息也是有益的。因此，maplab提供了多地图注册工具，合并优化多个地图，生成单一一致的地图。
此用例演示了从4个单独的轨迹创建建筑物地图的过程。每条轨迹都穿过底层，楼梯和另外一层。结合起来，它们覆盖超过1000米，包含约463,000个地标。在如此大的地图上，若未进行细致的数据选择，许多常见的操作如优化或闭环检测将变得棘手。出于这样的原因，Maplab采用基于顶点距离，方向和地标联合可见性的启发式关键帧算法。其闭环检测算法正确识别所有任务之间的几何转换，非线性优化改进几何结构，结果生成一个紧凑的（8.2 MB），几何一致可供ROVIOLI定位的地图。整个建筑如下图所示。
3.3. 地图维护
通过多任务构建的大规模的基于特征的模型，通常包含数千的地标占用相当大的存储。然而对于高质量的定位，这并不是必需的。Maplab提供了一个基于整数优化的地标选择方法，以生成一个概要地图。算法尝试在保持一定环境覆盖率的前提下，去除不常见的地标。此外，Maplab采用关键帧算法去除冗余顶点，仅保留有助于高效高精度状态估计的顶点。同时，通过删除顶点也消除了许多顶点-地标关联。地图概要算法和关键帧算法在没有大的位姿估计质量损失的情况下，显著减小了模型尺寸，如下表所示。
3.4. 大规模建图
此部分Maplab将展示大规模的建图能力以及对除VI传感器之外的传感器适用性。为此使用Google Tango平板电脑，录制了一个大规模、多任务的苏黎世老城区地图。导出原始视觉惯性数据并用ROVIOLI进行处理，生成初始的开环地图。 然后将这些地图加载到maplab控制台中进行对齐，优化等处理。优化后的VI地图在到苏黎世地图上的投影如下图所示。
3.5. 稠密重建
机器人中的许多应用，如路径规划，检测等需要稠密的3d环境信息。Maplab提供了几个稠密重建的工具，使用优化稀疏图中的顶点姿态，来计算稠密的深度信息：
1）立体稠密重建：为了从多相机系统计算深度图，这个工具首先识别立体相机是否适合平面校正。它沿着轨迹，利用SGM（半全局块匹配）算法来计算深度。所得的深度图（或点云）附加到VI地图中，并存储在资源系统中。
2）基于TSDF的深度融合：一旦获取包含深度信息（由上述方法计算得到，或RGB-D传感器获取）的VI地图，就可以利用全局一致的相机位姿创建一个全局一致的三维结构。为此，maplab采用voxblox，进行基于TSDF的深度融合与表面重建。可以将深度图或点云数据放入voxblox网格中，并将表面网格存储到文件系统。
3）导出到CMVS / PMVS2：为了更精确的稠密重建，maplab提供了一个转换命令，将稀疏的VI地图及图像转换到开源多视图立体CMVS / PMVS2的输入格式。尽管支持灰度图像作为输入，但推荐使用RGB图像以获取更好的结果。
参考文献：
maplab: An Open Framework for Research in Visual-inertial Mapping and Localization