基于ORB-SLAM2可持续保存地图的扩展方案
点云PCL免费知识星球，点云论文速读。
文章：Persistent Map Saving for Visual Localization for Autonomous Vehicles: An ORB-SLAM 2 Extension
作者：Felix Nobis∗, Odysseas Papanikolaou, Johannes Betz and Markus Lienkamp
翻译：particle
本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信[email protected]。
●论文摘要
自动驾驶汽车的一个基本组成部分是能够绘制环境地图并在地图上进行自我定位。本文利用使用实时同步定位和制图（SLAM）立体相机传感器来感知环境并生成地图。由于没有使用地面真实地图作为参考，并且误差会随着时间的推移而累积，因此存在错误定位的风险。因此，我们首先建立并保存一张低行驶速度下环境视觉特征的地图，并将其扩展到ORBSLAM 2软件包中。在第二次运行中，我们重新加载地图，然后在先前构建的地图上进行定位。在先前构建的地图上加载和定位可以提高自动驾驶车辆的连续定位精度。这个建图保存功能在最初的ORB-SLAM 2实现中是没有的。我们根据建立的SLAM地图来评估KITTI数据集场景的定位精度。此外，我们还用自己的小型电动模型车对数据进行了定位测试。在特征丰富的环境中，对于平均纵向速度为36m/s的车辆，定位的相对平移误差小于1%。定位模式具有更好的定位精度和更低的计算量。我们对ORB-SLAM2的贡献源代码将在以下网址公开：https://github.com/TUMFTM/orbslam-map-saving-extension。
● 相关工作与介绍
该工程是支持ROS的，定位模式时需要提供一个map文件，其中包含ORB SLAM类的对象：map、MapPoint、Keyframe和KeyframeDatabase，以及每个关键帧的DBoW2 BoWVector和FeatureVector。因此，我们创建了一个SaveMap方法，它在SLAM进程结束时将此信息保存在二进制文件中。对于连续运行时，用户可以通过设置文件指定是否加载地图文件。如果用户决定使用保存的地图，则在系统启动时调用LoadMap方法，该方法加载保存的地图和KeyframeDatabase，并将系统设置为定位模式。定位模式是自动完成的，用户无需在线手动更改系统模式。SaveMap和LoadMap方法都集成在ORB-SLAM 2的系统类中，该类处理所有主要功能。图1显示了Orbslam2扩展版本的流程图。
项目的依赖项：
opencv
eigen3
boost
以及基于ROS的octomap
● 实验和结果
使用了KITTI公开数据集进行系统的评估，且对比了室内和室外的两种场景进行对比各种场景下的建图和定位的精度。
室外提取ORB特征点的示意图
室内提取特征点的示意图
TUM数据集上快速驾驶和快速回放速度的比较（ localization fails (Lost Track)）
SLAM 与真值比较的准确性
我们还试验了提高大满贯的行驶速度。图4显示了快速和慢速SLAM的结果轨迹。对于高速运行，SLAM模式下降不再能够完成建图功能，因为特征匹配失败。这在图中用红色标记。真值（灰色虚线），8m/s（蓝色）和20m/s（黑色）的撞击轨迹。更快的SLAM轨迹偏离地面的距离更远，在红色标记的位置跟踪失败。
相对地图的定位精度
●总结
这项工作提出了一个基于ORB-SLAM2扩展，通过一个地图保存功能的视觉SLAM系统。在原始的功能的基础上进行了扩展功能，使系统可以作为一个SLAM模块在慢速驾驶条件下建图。而后在更高的速度下进行定位，从而获得更精确的轨迹估计。（低速建图，快速可定位的SLAM功能）可用于室外和室内环境中的定位。实验结果表明，在特征丰富的环境中，以36m/s的速度进行定位是可行的。定位模块所需的计算资源比SLAM建图模块少，但特征计算和匹配要求较高。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D目标检测：MV3D-Net
三维点云分割综述（上）
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
win下使用QT添加VTK插件实现点云可视化GUI
JSNet：3D点云的联合实例和语义分割
大场景三维点云的语义分割综述
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
基于局部凹凸性进行目标分割
基于三维卷积神经网络的点云标记
点云的超体素(SuperVoxel)
基于超点图的大规模点云分割
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
【开源方案共享】ORB-SLAM3开源啦！
【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM
【点云论文速读】StructSLAM:结构化线特征SLAM
SLAM和AR综述
常用的3D深度相机
AR设备单目视觉惯导SLAM算法综述与评价
SLAM综述(4)激光与视觉融合SLAM
Kimera实时重建的语义SLAM系统
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
易扩展的SLAM框架-OpenVSLAM
高翔：非结构化道路激光SLAM中的挑战
SLAM综述之Lidar SLAM
基于鱼眼相机的SLAM方法介绍
往期线上分享录播汇总
第一期B站录播之三维模型检索技术
第二期B站录播之深度学习在3D场景中的应用
第三期B站录播之CMake进阶学习
第四期B站录播之点云物体及六自由度姿态估计
第五期B站录播之点云深度学习语义分割拓展
第六期B站录播之Pointnetlk解读
[线上分享录播]点云配准概述及其在激光SLAM中的应用
[线上分享录播]cloudcompare插件开发
[线上分享录播]基于点云数据的 Mesh重建与处理
[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享
[线上分享录播]地面点云配准与机载点云航带平差
点云PCL更多活动请查看：点云PCL活动之应届生校招群
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作方式：可联系微信“920177957”（需要按要求备注）联系邮箱：[email protected]，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶
更多相关：
-
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起每交流一起进步,有兴趣的可联系微信：920177957。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。资源三维点云论文及相关应用分享【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法3D目标检测...
-
Thanks to LOAM, A-LOAM, and LIO-SAM code authors. The major codes in this repository are borrowed from their efforts.代码：https://github.com/gisbi-kim/SC-A-LOAM编译：点云PCL本...
-
文章：Inertial-Only Optimization for Visual-Inertial Initialization作者：Carlos Campos, Jose M.M. Montiel and Juan D. Tard ´ os´代码：https://github.com/bxh1/VIDO-SLAM.git编译：点云...
-
点云PCL免费知识星球，点云论文速读。文章：Monocular Object and Plane SLAM in Structured Environments作者：Shichao Yang, Sebastian Scherer翻译：particle本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢...
-
标题：Compact 3D Map-Based Monocular Localization Using Semantic Edge Alignment作者：Kejie Qiu, Shenzhou Chen, Jiahui Zhang, Rui Huang, Le Cui, Siyu Zhu, and Ping Tan排版：点云P...
-
Android常用的三种定位方式有：基于GPS定位、基于基站地位、基于wifi定位。 1、基于GPS定位： GPS定位需要GPS模块(硬件)的支持,没有GPS模块是无法进行GPS定位的。 GPS定位最大的优点就是其定位精确度高(一般误差在10m内),无网络也能用;缺点就是耗电高、定位慢、室内和地下室基本定位不到。 2、基于...
-
标题：Voxelized GICP for Fast and Accurate 3D Point Cloud Registration作者：Kenji Koide, Masashi Yokozuka, Shuji Oishi, and Atsuhiko Banno来源：分享者代码：https://github.com/SMRT-AI...
-
点云PCL免费知识星球，点云论文速读。标题：LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking作者：Xingxing Zuo1;2, Yulin Yang3, Patrick Geneva3, Jiajun...
-
点云PCL免费知识星球，点云论文速读。标题：CMRNet++: Map and Camera Agnostic Monocular Visual Localization in LiDAR Maps作者：Daniele Cattaneo, Domenico Giorgio Sorrenti, Abhinav Valada来源：分享者...
-
点云PCL免费知识星球，点云论文速读。标题：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping作者：Tixiao Shan, Brendan Englot, Drew Meyers, Wei Wang, Carlo Ratti, and...
-
前言CloudCompare是另一款开源且完善的点云处理软件，我们可以在这款软件的基础上，任意的设计成我们想要的界面，可以说是点云处理软件的最佳选择，所以我认为如果你是研究点云算法的可以使用PCL，GDAL,等其他库，如果你是做工程的需要点云的界面显示，那么cloudCompare就是不二选择，当然如果是简单的界面使用PCL和QT也...