ORB_SLAM3和之前版本有什么不同？

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

                                       

周六看到了ORBSLAM3的源码，安装运行后看了一下其代码结构，因为加IMU的部分是针对之前的ORB-VI， 因此大家可以参考jinpang的LearnORBVI可以更纯粹地学习视觉+IMU的组合；

这篇文章主要是针对其在Tracking线程做出的改动，尤其是添加Atlas后对Tracking部分的影响，LoopClosing和MapMerging的部分会在后面的分析中讲到，有错误也欢迎各位指正。

各部分的流程图整理好之后，稍后发出。

ORBSLAM3相对于ORBSLAM2做出的主要改动：

1. Atlas：用于保存很多琐碎的地图；主要的作用发挥在Tracking线程Lost时，之前Lost后需要回到原先的位置进行Relocalization()，但是现在，如果tracking线程丢失，ORBSLAM3会在之前的所有小地图中进行查询匹配，如果匹配成功，则tracking线程继续；如果匹配不成功，则重新开辟一个小的地图；

2. 也是因为这种情况，ORBSLAM3中还有很多小的地图(类似于carto中的submap）

而Localmapping 线程只发生在当下active的map中；

3.新增最大后验概率，用于初始化并且refine IMU数据；

4. loop and map merging 线程：因为有了很多琐碎的地图，因此新增了map merging的部分，如果两个地图有重合部分，且重合处属于当前Active的Map，则对其进行LoopCorrection，类似于之前的检测到回环。如果两个地图重合的部分属于别的地图，这就类似于找到了其他两个地图的重合点，因此就将他们merge到一起。

If the common area belongs to the active map, it performs loop correction; if it belongs to a different map, both maps are seamlessly merged into a single one, that becomes the active map.

 1. 相机模型：

新增了基于ＫＢ鱼眼模型的追踪；这个模型与OpenCV的cv::fisheye标定的时候所使用的模型是一样的，因此大家可以使用opencv直接进行标定，建议使用size较大的标定板，这是注意很有可能你的标定板检测不需要subpixel即可很准确。

鱼眼模型带来的改变：

a．　重定位：ORBSLAM2通过求解PnP问题进行重定位后的计算，但是因为新增了鱼眼模型，因此需要新建一个可以不基于相机模型的Pnp算法，因此也就有了最大似然PnP算法；

b. 鱼眼模型带来的另一个改变是双目匹配时，这里对比一下两个项目在这里的区别：

ORBSLAM2：采用双目去畸变后的图像，去畸变的remap过程发生在进入system之前，ComputeStereoMatches() 所采用的双目匹配方法是在极线上搜索，是一个很小的带状区域；搜索到匹配点之后直接根据视差d计算深度z；

ORBSLAM3：采用暴力匹配的方式，在全局使用knn搜索，只查找与当前左目描述子距离最近和次近的右目描述子，只要满足Lowe's Law就可以送去三角化计算关键点所对应的地图点。

三角化的这部分在ORBSLAM2中只用于跟踪，根据两帧匹配好的图像进行计算地图点的坐标，这里把他用于双目匹配计算深度；我在EUCM双目鱼眼中计算深度的方法也是如此，但是因为没有加入前面的最优与次优筛选的条件，outliner就会比较多；

 2. 新添加了一种状态RECENTLY_LOST，因此主要的状态分为以下：

NO_IMAGE_YET
NOT_INITIALIZED
OK
RECENTLY_LOST: 当前地图中的KF>10,且丢失时间<5秒

个人认为，这个状态其实就是相当于原先的LOST，在这里，如果激活了IMU则通过IMU数据进行预测，也就是 calculate current  pose by IMU data,

但如果丢失时间，超过五秒，则由当前state切换为LOST；如果是非IMU，即纯视觉状态，则直接进行重定位Relocalization()；

LOST: 这个状态就是ORBSLAM3的一个新加的状态（虽然名字与之前的一样），因为新增了atlas，如果当前地图中的关键帧数量<10个，可以认为当前地图中没有重要信息，直接ResetActiveMap(),这个思路相当于之前的Reset()， 即如果初始化刚刚成功就丢失，可以认为当前map并不重要，直接重新初始化，这里也是一样的思路，这个部分最终发挥作用是在函数Tracking::ResetActiveMap()中。但如果当前的地图已经有很多关键帧(大于10帧)，则调用CreateNewMap() 暂存该地图，再新建一个空的地图。

接下来对比一下Tracking::ResetActiveMap() 与ORBSLAM2中的Reset(),方便更清楚这个函数的作用

ORBSLAM3 中 Tracking::ResetActiveMap() 部分功能：

 Map* pMap = mpAtlas->GetCurrentMap();
 mpLocalMapper->RequestResetActiveMap(pMap);
 mpLoopClosing->RequestResetActiveMap(pMap);
 mpKeyFrameDB->clearMap(pMap);
 mpAtlas->clearMap();

ORBSLAM2 中Reset()函数：

  mpLocalMapper->RequestReset();
 // Reset Loop Closing
 mpLoopClosing->RequestReset();

 cout << "Reseting Database...";
 mpKeyFrameDB->clear();
 cout << " done" << endl;

 // Clear Map (this erase MapPoints and KeyFrames)
 mpMap->clear();

 可以看到该函数的主要作用相对于之前的Reset() ，不变的部分是对一些Tracking所用到的类成员变量进行reset，如mCurrentFrame, mLastFrame等，同时，通知其他几个线程需要reset的消息。但是变化的部分主要是Atlas的加入，每一个线程的reset都是只针对currentMap，并不会影响其他的Map，新建的线程mpAltas也会将目前的地图清除，

CreateMapInAtlas()，用于新建一个submap，而atlas就是用于管理这些small map的。

接下来主要说一下ATLAS， atlas是新建的线程，主要用于管理地图，既然有了地图管理者，就会有几个随之而来的类成员变量，最主要的是mspMaps，用于存放小地图，同时一个重要的函数createNewMap()用于新建地图：

强调一下　createNewMap(): 主要作用如下：

1. 保存当前地图 mpCurrentMap->SetStoredMap(); 主要通过设置变量IsInUse为False，方便后面进行判断；

2. 设定新地图的初始帧的KFid：mnLastInitKFidMap = mpCurrentMap->GetMaxKFid()+1;

３.接下来一切准备就绪，

mpCurrentMap = new Map(mnLastInitKFidMap); //初始化一个地图
mpCurrentMap->SetCurrentMap(); //将其设置为正在使用，也就是active
mspMaps.insert(mpCurrentMap); //将此地图插入到mspMaps，也就是地图管理变量中

就此，创建新的小地图完成；

接下来最主要的一个问题就是ORBSLAM3会在什么时候创建新的地图：

1. 初始化：

 Map* pCurrentMap = mpAtlas->GetCurrentMap();

a. 如果是带有IMU的初始化，则在IMU初始化完成后就直接调用 CreateMapInAtlas();(结合IMU的第一点作用，即在视觉初始化成功之前进行位置追踪，这里不难理解)

b. 如果是不带有IMU的Tracking，初始化的过程和ORBSLAM2一样，在初始化时进行新建地图，以双目为例，在

StereoInitialization() 中，若有特征点足够，则

KeyFrame* pKFini = new KeyFrame(mCurrentFrame,mpAtlas->GetCurrentMap(),mpKeyFrameDB); 

而这里GetCurrentMap()也会调用createNewMap()来新建地图； 

2. 如果当前状态设定为LOST，且当前地图中的关键帧数量已经多余10帧，则调用createNewMap()保存当前地图，创建新地图；

下面是Tracking部分的流程图，排除IMU的添加，蓝色的字体是纯视觉来讲，与之前ORBSLAM2的主要差别。

专辑：计算机视觉方向简介

专辑：视觉SLAM入门

专辑：最新SLAM/三维视觉论文/开源

专辑：三维视觉/SLAM公开课

专辑：深度相机原理及应用

专辑：手机双摄头技术解析与应用

专辑：相机标定

专辑：全景相机

从0到1学习SLAM，戳↓

视觉SLAM图文+视频+答疑+学习路线全规划！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~

投稿、合作也欢迎联系：simiter@126.com

长按关注计算机视觉life