ORB-SLAM2 技术详解(3)-- 源码编译及TUM RGB-D数据集测试

2023-11-21 00:20

本文主要是介绍ORB-SLAM2 技术详解(3)-- 源码编译及TUM RGB-D数据集测试,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

0. 摘要

1. ORB-SLAM2 简介

2. 安装依赖库

(1)安装Pangolin 

(2)安装必要的依赖库

(3)安装OpenCV

(4)安装Eigen

(5)安装BLAS and LAPACK库

(1) BLAS: Basic Linear Algebra Subprograms

(2) LAPACK:Linear Algebra PACKage

3. 编译OEB_SLAM

4. 运行测试程序

4.1 TUM数据集格式简介:官网介绍https://vision.in.tum.de/data/datasets/rgbd-dataset/file_formats

4.2. RGB-D 测试实例, 按照要求下载数据集

4.3.TMU下载associate.py.

4.4.打开终端,进入到associate.py所在目录,

4.5 运行测试数据集效果

4.6 evo分析工具,orghttps://github.com/MichaelGrupp/evo/wiki/Plotting


0. 摘要

近段时间一直在学习高翔博士的《视觉SLAM十四讲》,学了以后发现自己欠缺的东西实在太多,好多都需要深入系统的学习。ORB-SLAM2是一套完整的SLAM方案,提供了单目,双目和RGB-D三种接口。它能够实现地图重用,回环检测和重新定位的功能无论是在室内的小型手持设备,还是到工厂环境的无人机和城市里驾驶的汽车,ORB-SLAM2都能够在标准的CPU上进行实时工作。

ORB-SLAM2在后端上采用的是基于单目和双目的光束法平差优化(BA)的方式,这个方法允许米制比例尺的轨迹精确度评估。此外,ORB-SLAM2包含一个轻量级的定位模式,该模式能够在允许零点漂移的条件下,利用视觉里程计来追踪未建图的区域并且匹配特征点。 可以说,ORB_SLAM2是近几年SLAM的集大成者,它吸收了近几年monoslam领域的很多理论成果,比如逆深度的使用,g2o工具箱的优化等。而且以orb特征贯穿始终,从一开始的特征处理,匹配,以及用于回环的bag-of-words,词典,全用的是orb。缺点在于它的的建图部分只含有稀疏的map point,这不仅让最终建的图很难看,而且对于机器人下一步的应用会造成很大困难。

      文章主要对ORB-SLAM2进行编译运行。以及下载TUM上的数据集。然后跑自己的数据集,以及利用笔记本摄像头进行测试。

1. ORB-SLAM2 简介

源码github地址:https://github.com/raulmur/ORB_SLAM2

2. 安装依赖库

参考:ORB_SLAM2功能包的构建和在ROS中的应用 - 简书

(1)安装Pangolin 

使用git命令进行下载       git  clone https://github.com/stevenlovegrove/Pangolin.gitcd Pangolin

终端里输入:

mkdir pangolin
cd pangolin
git clone https://github.com/stevenlovegrove/Pangolin.git
cd Pangolin
mkdir build
cd build
cmake ..
cmake --build .

(2)安装必要的依赖库

a、GLEW:

sudo apt-getinstall libglew-dev

b、Boost:

sudo apt-getinstall libboost-devlibboost-thread-devlibboost-filesystem-dev

c、Python2/Python3:

sudo apt-getinstall libpython2.7-dev

d、编译基础库

sudo apt-getinstall build-essential

(3)安装OpenCV

安装依赖:

a、编译器相关:

sudo apt-getinstall build-essential

b、必须依赖:

sudo apt-getinstall cmake git libgtk2.0-devpkg-config libavcodec-dev libavformat-dev libswscale-dev

c、可选安装:

sudo apt-getinstall python-devpython-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

安装OpenCV:

a、官网下载OpenCV 3.x.x forLinux下载地址,解压到Ubuntu中

b、进入OpenCV文件夹,配置工程

mkdir release

cd release

cmake -D CMAKE_BUILD_TYPE=RELEASE-D CMAKE_INSTALL_PREFIX=/usr/local .. -D BUILD_TIFF=ON 

c、编译

make

sudo make install

(4)安装Eigen 和 g2o

下载Eigen下载地址,进入到在解压后的Eigen文件夹(例如eigen-eigen-07105f7124f9)下

编译:

mkdir buildcd buildcmake ..

安装:

makesudo make install

编译安装方法类似

mkdir buildcd buildcmake ..

注意:Eigen默认安装路径为/usr/local/include/eigen3/Eigen, 而实际使用的查找路径为/usr/inlcude/eigen3/Eigen,因此需要将两个地址做链接

sudo ln -s /usr/local/include/eigen3 /usr/include/eigen3

再次编译项目测试通过

参考ubuntu16.04+eigen3安装 - 灰色的石头 - 博客园Eigen库安装指南(两种方式)1、apt-get方式(假设默认安装到/usr/local/include里(可在终端中输入locate eigen3查看位置),若实际中默认安装到了/usr/inclhttps://www.cnblogs.com/newneul/p/8256803.html


(5)安装BLAS and LAPACK库

sudo apt-getinstall libblas-dev

sudo apt-getinstall liblapack-dev

   g2o需要BLAS和LAPACK

(1) BLAS: Basic Linear Algebra Subprograms

提供了基本的向量和矩阵操作:

- Level-1 BLAS: 支持 标量、向量、向量-向量 操作

- Level-2 BLAS: 支持 矩阵-向量 操作

- Level-3 BLAS: 支持 矩阵-矩阵 操作

(2) LAPACK:Linear Algebra PACKage

    它调用BLAS来实现更高级的功能,支持以下操作:

- 解线性方程组

    - 线性方程组的最小二乘解

    - 特征值问题和奇异值问题

    - 矩阵分解 (LU, Cholesky, QR, SVD, Schur, generalized Schur)

    - 支持密集和带状矩阵,但不支持一般的稀疏矩阵

    - 支持单精度和双精

 DBoW2 and g2o (Included in Thirdparty folder)

   ORB_SLAM2使用修改版的DBoW2 库进行位置识别 ,使用 g2o 库进行非线性优化. 这两个修改版的库被放在第三方文件夹内.

总的对于 opencv 和 eigen3,可以简单的用一行命令来解决:

sudo apt-get install libopencv-dev libeigen3-dev libqt4-dev qt4-qmake libqglviewer-dev libsuitesparse-dev libcxsparse3.1.2 libcholmod-dev  其中一部分是 g2o 的依赖项,不用太在意它的具体内容。至此,应该可以顺利编译 ORB-SLAM2 了


3. 编译OEB_SLAM

编译ORB_SLAM2库和例子程序(单目、双目和RGB-D)

cd ORB_SLAM2  chmod +x build.sh  ./build.sh  

    生成的libORB_SLAM2.so位于lib目录下,可执行程序mono_tum, mono_kitti, rgbd_tum, stereo_kitti, mono_euroc and stereo_euroc位于Examples目录下。

到这里,如果小伙伴们不使用ROS的话,ORB_SLAM2其实已经可以正常使用了。但是如果要使用ROS的话,还要有几个步骤,第一个在~/.bashec中添加环境。

  export ROS_PACKAGE_PATH=${ROS_PACKAGE_PATH}:PATH/ORB_SLAM2/Examples/ROS

编译对应的ROS文件

  chmod +x build_ros.sh./build_ros.sh

这样ORB_SLAM2其实已经全部编译好了。

注意:编译期间可能遇到各种错误,请查看本人博客总结:ORB_SLAM2编译debug 小结_Techblog of HaoWANG-CSDN博客


4. 运行测试程序

参考:ORB-SLAM2编译安装和USB摄像头例程运行 - 简书 ORB-SLAM2编译安装和USB摄像头例程运行

4.1 TUM数据集格式简介:官网介绍Computer Vision Group - File Formats

4.2. RGB-D 测试实例, 按照要求下载数据集

TMU Computer Vision Group - Useful tools for the RGB-D benchmark,下载的是fr1/xyz,将其解压到你喜欢的目录.我放在了~/TUM目录下面

4.3.TMU下载associate.py.

放在~/TUM数据集目录下面.

4.4.打开终端,进入到associate.py所在目录,

即~/TUM/rgbd_dataset_freiburg1_xyz,之后运行

python associate.py PATH_TO_SEQUENCE/rgb.txt PATH_TO_SEQUENCE/depth.txt > associations.txt

这里的PATH_TO_SEQUENCE 是指的下载数据集的目录~/TUM/rgbd_dataset_freiburg1_xyz里面有depth.txt  rgb.txt,将其替换至你的文件目录。

运行之后在该目录中将会生成一个associations.txt文件.

4.5 运行测试数据集效果

4.6 evo分析工具,orghttps://github.com/MichaelGrupp/evo/wiki/Plotting

evo可以评估两条轨迹的误差,主要有两个命令:

evo_ape:计算绝对位姿误差(absolute pose error),用于整体评估整条轨迹的全局一致性;

evo_rpe:计算相对位姿误差(relative pose error),用于评价轨迹局部的准确性。

这两个指令也支持evo_traj的可选参数,轨迹对齐-a与尺度缩放-s。完整指令如下:

evo_ape tum realTraj.txt estTraj.txt -a –s

这篇关于ORB-SLAM2 技术详解(3)-- 源码编译及TUM RGB-D数据集测试的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/398472

相关文章

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

性能测试介绍

性能测试是一种测试方法,旨在评估系统、应用程序或组件在现实场景中的性能表现和可靠性。它通常用于衡量系统在不同负载条件下的响应时间、吞吐量、资源利用率、稳定性和可扩展性等关键指标。 为什么要进行性能测试 通过性能测试,可以确定系统是否能够满足预期的性能要求,找出性能瓶颈和潜在的问题,并进行优化和调整。 发现性能瓶颈:性能测试可以帮助发现系统的性能瓶颈,即系统在高负载或高并发情况下可能出现的问题

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

字节面试 | 如何测试RocketMQ、RocketMQ?

字节面试:RocketMQ是怎么测试的呢? 答: 首先保证消息的消费正确、设计逆向用例,在验证消息内容为空等情况时的消费正确性; 推送大批量MQ,通过Admin控制台查看MQ消费的情况,是否出现消费假死、TPS是否正常等等问题。(上述都是临场发挥,但是RocketMQ真正的测试点,还真的需要探讨) 01 先了解RocketMQ 作为测试也是要简单了解RocketMQ。简单来说,就是一个分

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof