经过两个月的努力，终于在一台笔记本上，让ROVIO跑起来了。这里分享一下经验教训。
背景
ROVIO
ROVIO是一款开源的SLAM算法。
ROVIO地址：
https://github.com/ethz-asl/rovio/
目标
我在笔记本上装ROVIO，主要还是为了实验这个算法，最终把ROVIO移植到VR眼镜上面。
硬件
笔记本型号：LenovoThinkPad T540
CPU:i7-4700MQ
摄像头使用了笔记本自带的，分辨率640*480。IMU传感器为MPU6000，1000HZ，我把它直接贴在摄像头的后面，这样两者直接的距离就接近于0，方便后面的calibration。
这样的硬件配置，我感觉有个问题。我拿着笔记本走动的时候，可定是拿着下面，但是笔记本电脑的演示器只要微微的晃动，对于上面的摄像头和IMU传感器来说，就是比较大的震动了，这时候就很容易driftaway。
一开始，我还试图把一个VR头盔放在笔记本的键盘上，用手摁住VR头盔。结果怎么实验都失败。所以，硬件还是要尽量固定好的。
扩展ROVIO
安装
经过反复失败，我总结ROVIO必须装在Ubuntu14.04上面（我在Ubuntu16.04上面就无法安装成功）。详细的安装步骤见：
ROVIO detailedinstallation steps from scrach
处理视频和IMU数据
ROVIO是建立在ROS的基础上的。它运行的时候，会读取ROS的消息。针对这一特点，我开发了两个程序分别为
camera_message:
https://github.com/juwikuang/camera_message
usb_sensor_message:
https://github.com/juwikuang/usb_sensor_message
这两个程序都是ROSPackage，所以都在catkin下编译。其中，usb_sensor_message需要用到HIDAPI，网上没有找到关于如何在EclipseCDT下使用它的文章，我自己研究了一下。
具体见：
在EclipseCDT下调用HIDAPI- Ubuntu 14.04
Calibration 校准
根据ROVIO的官方说明，需要对摄像头校准。
https://github.com/ethz-asl/rovio/wiki/Configuration
官方推荐的校准工具为Kalibr：
https://github.com/ethz-asl/kalibr
我没有去下载编译源代码，而是直接去下载页面下载了各种需要的工具和材料：
https://github.com/ethz-asl/kalibr/wiki/downloads
首先，下载工具Kalibr-CDE64-bit。接着下载两个sampledatasets。我觉得下载sampledatasets很重要它里面有ROSbag，可以用ROS的image_view命令打开查看他是怎么校准的。CalibrationTarget，是可以自己去生成的，但是下载页面已经提供了，我就直接用了。我用的是最后一个，7*6的国际象棋格子。
录像的时候，时间长会比较稳定。我录了三次，针对每次录像又用工具算了三次参数。时间最长的那次，三次的计算结果也是比较稳定的。官方提供的录像有70秒，所以录像最好也达到70秒。至于录像的时候怎么动，也都看官方的。
测试
很不幸，每次测试，都很卡。程序一开始就报错。事实上，直接跑ROVIO，用ROSbag生成消息，也经常卡住。
扩展ROVIONOROS
运行ROVIO，必须先运行ROS，这耗费了很多计算机资源。而且，后期移植到VR眼镜上面的时候，还要把ROS去掉，也是很费劲的。我就在网上搜索怎么办。我很幸运的找到了北邮的PangFuming去掉ROS后的ROVIO：
https://github.com/pangfumin/Rovio_NoRos
安装
这位PangFuming没有在README里面说清楚怎么安装，我查看了代码以后发现代码里面在找.txt文件，而我从ROVIO官网下载的数据库里面，只有CSV文件。针对此事我询问了作者，对话见下面的页面：
https://github.com/pangfumin/Rovio_NoRos/issues/4
同时，我也记录下了安装的过程：
http://blog.csdn.net/juwikuang/article/details/70307976
处理图像和IMU
图像和IMU的处理沿用了PangFumin的思路。只是把输入换成了笔记本摄像头和MPU6000传感器。摄像头数据的读取放在了主线程中，IMU数据的读取放在了单独的线程中。主线程和IMU线程通过一个Queue共享数据。
https://github.com/juwikuang/rovio_noros_laptop
测试
经过反复实验，终于成功了。不过，系统的稳定性还是比较差的。以下是成功时的视频：
https://www.youtube.com/watch?v=6duaeucjLhw&feature=youtu.be
反复实验的经验如下：一开始的时候很关键。最好开始画面里有很多的feature。这里有很多办法，我会在黑板上画很多的feature，或者直接把Calibration Targets放在镜头前。如果开机没有飘（driftaway），就开始缓慢的小幅移动，让ROVIO自己去调整CameraExtrinsics。接着，就可以在房间里走一圈，再回到原点。
我一开始以为如果有人走动，ROVIO会不准。但是实测结果发现影响有限。ROVIO有很多特征点，如果一两个特征点位置变动，ROVIO会抛弃他们。这里，ROVIO相当于在算法层面，解决了移动物体的侦测。
ROVIO与VR眼镜
一个是微软的Kinect游戏机，用了RGBD摄像头。而HTCvive和Oculus，则使用空间的两点和手中的摄像机定位。ROVIO没有深度信息，这也许就是为什么它容易driftaway。
如果要将ROVIO用于产品上，可能还需要一个特定的房间，在这个房间里，有很多的特征点。如果房间里是四面白墙，恐怕ROVIO就无法运算了。
有限空间的定位
但是如果环境是可以控制的，也就不需要ROVIO了。可以在房间里的放满国际象棋盘，在每个格子里标上数字，这样只需要根据摄像头视野中的四个角上的feature(数字)，就能确定位置了。这里不需要什么算法，因为这样的排列组合是有限的。只需要一个数据库就可以了。在POC阶段，可能会用数字。当然到了产品阶段会换成别的东西。
测量的时候，需要用到精确的深度信息。测量完了，就不需要深度信息了。因为已经建立起了图像和深度信息的对应关系了。