ORB-SLAM2 论文要点总结
一、创新点
- 第一个开源并支持单目、双目、和RGB-D相机的SLAM系统，包含回环检测、重定位和地图复用（支持使用预置的环境地图或者之前建立的地图）；
- 基于BA优化，与目前前沿的一些基于最近点迭代（ICP）、光学和深度误差最小化等方法相比，实现了更高的精度；
- 通过同时使用远处和近处的双目点、以及单目观测，与直接双目法相比，精度更高；
- 在不能有效建图区域，采样一种轻量级的定位模式实现地图的有效重用（若无预置地图，则采用双目视觉里程计，会随时间漂移；若有预置地图，与已有地图进行匹配定位，零漂移）。
二、ORB-SLAM2的实现要点
系统主要包含四个线程：
1） 只进行运动信息的BA优化：Tracking跟踪线程通过进行每帧图片与局部地图进行特征匹配，实现相机定位；
2） 进行局部BA优化： Local Mapping局部建图线程对局部地图进行管理，并优化；
3）回环检测： Loop Closing回环线程检测回环位置、进行位姿图优化抑制位置、姿态漂移误差；
4）全局BA优化：在位姿图优化结束后，调用此线程进行全局BA优化，以计算最优的结构和运动结果。
A. 单目点、近双目点和远双目点定义
单目点：基于两个坐标实现，L表示左目特征点（为了与双目对应）。只在具有多个视角时进行三角化，不提供尺度信息，具有旋转和位移信息。
双目点：基于三个坐标实现，L表示左目特征点的像素坐标，R表示右目与左目平行方向的坐标。
GRB-D双目点：将其输出的图像特征点坐标和深度进行转换，使其与双目相机的坐标描述一致：
式（3）中fx表示水平焦距，b表示结构光发射器与红外相机的基线距离。左右像素坐标差就是实际基线长度在相机中的投影长度。
近双目点：双目特征点的深度小于40倍的基线距离。近点可提供可靠的位移、旋转和尺度信息，可进行可靠的三角化求深度信息。
远双目点：双目特征点的深度大于40倍的基线距离。远点可提供可靠的旋转，但是位移和尺度信息较弱，只有存在多个视角的远点观测时才进行三角化求深度。
B. 系统启动
- 当采用双目和RGB-D相机时，可直接基于一帧图像实现系统的初始化，这也是双目和RGB-D相机的主要优势之一；
- 系统启动时，基于第一帧图片创建一个关键帧，然后令其位置为初始位置，并基于双目点建立初始地图。
C. 单目和双目约束下的BA优化
采用g2o中的LM方法进行BA优化，主要涉及三种：
- motion-only-BA
- local BA
- full BA
motion-only-BA : 通过最小化“匹配到的世界坐标系中的3D点”和“当前图像中的特征点”的重投影误差，优化相机的姿态和位移。
local BA：通过最小化一系列“关键帧（包含共视关键帧和非共视关键帧）中可见的共视3D点”和“每张关键帧图像中共视3D点对应匹配的特征点图像坐标”的重投影误差，优化相机的姿态、位置和地图上的3D点。
full BA：全局BA是局部BA的特殊情况，此时除了初始关键帧外，所有的关键帧和地图3D点均进行优化。
D. 回环与全局BA
回环步骤：
- 回环位置的检测和有效性判断；
- 环路校正和位姿图优化，与单目相比，双目的尺度漂移可观测。
全局BA：由于全局优化比较耗费时间，因此将其单独作为一个线程，在优化的同时系统还可以进行地图创建和回环检测。当检测到新的回环位置时，若正在进行全局优化，则取消当前的全局优化，因为此时又会重新启动全局优化。
E. 关键帧插入
ORB-SLAM2遵循单目ORB-SLAM中的的策略，频繁插入关键帧，且增加一些额外多余的关键帧（为了鲁棒性）。
近点和远点的区别引入了一个新的场景需要去考虑如何添加关键帧。当场景中一大部分都距离双目相机较远时，此时我们需要大量的近点进行精确的位移估计。所以增加如下的关键帧添加策略：
若图像中跟踪到的近点数量小于100，但近点数量同时大于70时，便将其也加入到关键帧序列中。
F. 定位模式
应用场景: 环境不发生较大改变，已经建好已知地图的区域，需要进行轻量级的长时间定位。
功能：局部建图和回环线程关闭，基于摄像头运行视觉里程计，必要的时候可进行重定位。
工作模式:
- 有预置地图：基于图像特征点与已知视觉地图进行匹配，可实现无漂移的定位；
- 无预置地图：基于当前图像中的ORB特征点与前一帧基于双目/RGB-D相机建立的3D点进行匹配，此方法在无地图区域较为鲁棒，但是漂移可能随时间累积。
三、实验对比
- 单目ORB-SLAM具有较大的尺度漂移，尤其是在转弯时。