摘要-本文提出了ORB-SLAM3，第一个系统能够执行视觉，视觉惯导以及多地图的SLAM系统，且该系统具有单目，双目，RGB-D相机模型，用针孔相机和鱼眼镜头模型。
第一个主要的创新是基于特征的紧耦合视觉惯性SLAM系统，即使在IMU初始化阶段，它也完全依赖于最大后验概率（MAP）估计。其结果是，该系统在小型、大型、室内和室外环境中实时稳定运行，其精度比以前的方法高两到十倍。
第二个主要的新颖之处是一个多地图系统，它依赖于一种新的地点识别方法，并改进了召回。得益于它，ORB-SLAM3能够在长时间的不良视觉信息中生存：当它丢失时，它会启动一个新的地图，在重新访问地图区域时，它将与以前的地图无缝合并。与只使用最后几秒信息的视觉里程计系统相比，ORB-SLAM3是第一个能够在所有算法阶段重用所有先前信息的系统。这允许包括束内调整共可见关键帧，这些关键帧提供了提高精度的高视差观测，即使它们在时间上被广泛分离，或者它们来自先前的建图会话。
我们的实验表明，在所有传感器配置中，ORB SLAM3都与文献中可用的最佳系统一样稳健，并且明显更准确。值得注意的是，我们的立体惯性SLAM在EuRoC无人机中实现了3.5厘米的平均精度，在TUM-VI数据集（代表AR/VR场景的设置）的房间中实现了9毫米的快速手持运动。为了社区的利益，我们公开了源代码。
1、介绍
在过去二十年中，对视觉同时定位和测绘系统（SLAM）和视觉里程计（VO）的深入研究，无论是单独使用相机还是与惯性传感器结合使用，都产生了精度和鲁棒性不断提高的优秀系统。现代系统依赖于最大后验（MAP）估计，在视觉传感器的情况下，最大后验估计对应于束调整（BA），即在基于特征的方法中最小化特征重投影误差的几何BA，或在直接方法中最小化一组选定像素的光度误差的光度BA。
随着最近出现了回环检测的VO系统，VO和SLAM之间的边界更加不确定。Visual SLAM的目标是使用移动代理上的传感器构建环境地图，并实时计算该地图中代理的姿态。相比之下，VO系统将重点放在计算代理的自我运动上，而不是构建地图。SLAM图的最大优点是，它允许在BA中匹配和使用先前的观察结果，执行三种类型的数据关联（扩展[1]中使用的术语）：
短期数据关联，匹配在最后几秒内获得的地图元素。这是大多数VO系统使用的唯一数据关联类型，一旦环境元素离开视图，就会忘记它们，导致即使系统在同一区域移动，也会导致持续的估计漂移。
中期数据关联，匹配接近累积漂移仍然小的相机的地图元素。这些可以以与短期观测相同的方式在BA中进行匹配和使用，并允许系统在地图区域内移动时达到零漂移，与具有环路检测的VO系统相比，它们是我们的系统获得更好精度的关键。
长期数据关联，使用位置识别技术将观察结果与先前访问的区域中的元素进行匹配，而不管累积的漂移（环路检测）、当前区域先前被映射在断开的地图中（地图合并）或跟踪丢失（重新定位）。长期匹配允许使用姿势图（PG）优化或更准确地使用BA来重置漂移并校正地图。这是SLAM在中大型环形环境中精度的关键。
在这项工作中，我们建立在ORB-SLAM[2]、[3]和ORB-SLAM视觉惯性[4]的基础上，这是第一个能够充分利用短期、中期和长期数据关联的视觉和视觉惯性系统，在地图区域达到零漂移。在这里，我们进一步提供多地图数据关联，这使我们能够匹配和使用来自先前建图会话的BA地图元素，从而实现SLAM系统的真正目标：构建一个稍后可用于提供准确定位的地图。
这本质上是一篇系统论文，其最重要的贡献是ORB-SLAM3库本身[5]，这是迄今为止最完整、最准确的视觉、视觉惯性和多地图SLAM系统（见表I）。ORB-SLAM3的主要特点是：
单目和立体视觉惯性SLAM系统，即使在IMU（惯性测量单元）初始化阶段，也完全依赖于最大后验（MAP）估计。提出的初始化方法先前在[6]中提出。在这里，我们添加了它与ORB-SLAM视觉惯性[4]的集成、对立体惯性SLAM的扩展，以及对公共数据集的彻底评估。我们的结果表明，即使在没有环路的序列中，单眼和立体视觉惯性系统也比其他视觉惯性方法非常鲁棒，并且显著更准确。
改进了召回地点识别。
标签：Map,Multi,系统,地图,SLAM3,Visual,SLAM,视觉,ORB From： https://www.cnblogs.com/gary-guo/p/17057889.html