欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

ORB SLAM2安装与运行

程序员文章站 2024-03-25 19:34:16
...
               

1. 安装C++11编译器

    ORB_SLAM2使用了C++11的线程和时间控制函数。

$sudo apt-get install gcc g++

 2.安装Pangolin

    ORB_SLAM2使用 Pangolin 构建可视化用户界面. 参见https://github.com/stevenlovegrove/Pangolin.     

 $ sudo apt-get install libglew-dev   #安装Glew $ sudo apt-get install cmake         #安装CMake     #安装Boost $ sudo apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev $ sudo apt-get install libpython2.7-dev  #安装Python2 / Python3    #下载、编译、安装Pangolin: $ git clone https://github.com/stevenlovegrove/Pangolin.git $ cd Pangolin $ mkdir build $ cd build $ cmake -DCPP11_NO_BOOST=1 .. $ make $ sudo make install

3. 安装OpenCV 2.4.13   

   ORB_SLAM2使用OpenCV处理图像以及特征. 参见: http://opencv.org/downloads.htm. 至少需要 2.4.3 的版本. 本测试用 OpenCV 2.4.13. (注:OpenCV 2.4.11与cuda 8.0不兼容,若需要GPU加速(使用cuda8.0,cuda8.0以前的版本不支持GTX1080),则需要安装OpenCV 2.4.13)

$ sudo apt-get install build-essential libgtk2.0-dev libjpeg-dev libtiff4-dev libjasper-dev libopenexr-dev cmake python-dev python-numpy python-tk libtbb-dev libeigen2-dev yasm libfaac-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev libx264-dev libqt4-dev libqt4-opengl-dev sphinx-common texlive-latex-extra libv4l-dev libdc1394-22-dev libavcodec-dev libavformat-dev libswscale-dev$ unzip  opencv-2.4.13.zip  $ cd opencv-2.4.13;mkdir build;cd build; $ cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_TBB=ON -D BUILD_NEW_PYTHON_SUPPORT=ON -D WITH_V4L=ON -DINSTALL_C_EXAMPLES=ON -D INSTALL_PYTHON_EXAMPLES=ON -DBUILD_EXAMPLES=ON -D WITH_QT=ON -D WITH_OPENGL=ON -DCUDA_GENERATION=Kepler ..    $ make$ sudo make install 

  #在其中写入: /usr/local/lib$ sudo gedit /etc/ld.so.conf.d/opencv.conf   #在文件末尾写入:    #PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig   #export PKG_CONFIG_PATH$ sudo ldconfig sudo gedit/etc/bash.bashrc  #source此脚本$ source /etc/bash.bashrc

4.安装Eigen3.1.0

   g2o需要Eigen,下载和安装Eigen3的方法可以看这儿: http://eigen.tuxfamily.org. 需要3.1.0及以上。(Opencv2.4.13编译时依赖此模块,最好在OpenCV2.4.13编译前安装)

   提供以下功能模块:
   1) 密集矩阵和数组操作
   2) 解密集线性方程组和矩阵分解
        -求解线性最小二乘系统
        -密集矩阵分解 (Cholesky, LU, QR, SVD, 特征值分解)
   3) 解稀疏线性方程组和矩阵分解
        -稀疏矩阵操作
        -求解稀疏线性最小二乘系统
        -稀疏矩阵分解(SpareCore, OrderingMethods, SpareCholesky, SpareLU, SparseQR,迭代线性求解)
   4) 空间变换
        - 2D旋转(角度)
        - 3D旋转(角度+轴)
        - 3D旋转(四元组: quaternion)
        - N维缩放
        - N维平移
        - N维仿射变换
        - N维线性变换(旋转、平移、缩放)

$ sudo apt-get install libeigen3-dev

5.BLAS and LAPACK

   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
    - 支持单精度和双精度

$ sudo apt-get install libblas-dev$ sudo apt-get install liblapack-dev

6. 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.

7. 编译ORB_SLAM2库和例子程序(单目、双目和RGB-D)

$ git clone https://github.com/raulmur/ORB_SLAM2.git ORB_SLAM2$ 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。

8. 运行例子程序

8.1 Monocular 实例

      1)TUM 数据集

       从http://vision.in.tum.de/data/datasets/rgbd-dataset/download下载并解压一个序列,如:rgbd_dataset_freiburg1_desk2.tgz

       执行下面的命令(把TUMX.yaml 修改为TUM1.yaml < freiburg1序列>,TUM2.yaml < freiburg2序列> or TUM3.yaml < freiburg3序列

$ ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt ./Examples/Monocular/TUMX.yaml PATH_TO_SEQUENCE_FOLDER #for example$ ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt ./Examples/Monocular/TUM1.yaml ../tum_data/rgbd_dataset_freiburg1_desk2/

     2) KITTI 数据集

      从 http://www.cvlibs.net/datasets/kitti/eval_odometry.php下载数据集(灰度图像), 把KITTIX.yaml  修改为 KITTI00-02.yaml, KITTI03.yaml or KITTI04-12.yaml,这些*xx.yaml各自对应于序列 0 to 2, 3, and 4 to 12. Change PATH_TO_DATASET_FOLDER to the uncompressed dataset folder. Change SEQUENCE_NUMBER to 00, 01, 02,.., 11.如有不明白的地方,看一下代码:

./Examples/Monocular/mono_kitti Vocabulary/ORBvoc.txt Examples/Monocular/KITTIX.yaml PATH_TO_DATASET_FOLDER/dataset/sequences/SEQUENCE_NUMBER

8.2 Stereo 实例

      1)KITTI 数据集

      从 http://www.cvlibs.net/datasets/kitti/eval_odometry.php下载数据集(灰度图像),把KITTIX.yaml  修改为 KITTI00-02.yaml, KITTI03.yaml or KITTI04-12.yaml,这些*xx.yaml各自对应于序列 0 to 2, 3, and 4 to 12. Change PATH_TO_DATASET_FOLDER to the uncompressed dataset folder. Change SEQUENCE_NUMBER to 00, 01, 02,.., 11.如有不明白的地方,看一下代码:

./Examples/Stereo/stereo_kitti Vocabulary/ORBvoc.txt Examples/Stereo/KITTIX.yaml PATH_TO_DATASET_FOLDER/dataset/sequences/SEQUENCE_NUMBER

8.3 RGB-D 实例

      1)TUM 数据集

       从http://vision.in.tum.de/data/datasets/rgbd-dataset/download下载并解压一个序列,如:rgbd_dataset_freiburg1_desk2.tgz

       运行RGB-D实例时需要RGBD(depth)图像和RGB图像,所以需要把每一张RGB图像与之对应的RGBD图像建立关联(在Examples/RGB-D/associations/目录下有一部分关联文件,可以直接使用),关联python文件associate.py(根据timestamp进行关联)。       

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

      执行下面的命令(把TUMX.yaml 修改为TUM1.yaml < freiburg1序列>,TUM2.yaml < freiburg2序列> or TUM3.yaml < freiburg3序列> ),把 ASSOCIATIONS_FILE修改为对应的关联文件。

$./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUMX.yaml PATH_TO_SEQUENCE_FOLDER ASSOCIATIONS_FILE   # for example$./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt ./Examples/RGB-D/TUM1.yaml  ../tum-data/rgbd_dataset_freiburg1_desk2/ ./Examples/RGB-D/associations/fr1_desk2.txt 

8.4 ROS实例    

      

8.4.1 安装ROS   


9. SLAM和Localization 模式

    你可在GUI中切换至SLAM模式或Localization模式。

9.1 SLAM 模式

    这是默认模式. 此模式下,系统有三个线程并行运行: Tracking, Local Mapping and Loop Closing。 系统不停地定位相机,构建新的地图,并且试图闭合环形路径。

9.2 Localization 模式

    当你有一个好的工作区域地图时,你可以使用此模式。在这种模式下,局部地图构建以及环路闭合检测将不工作。 系统在你提供的地图上定位相机 (此地图不再更新), 在必要时使用重定位(relocalization)。














           

再分享一下我老师大神的人工智能教程吧。零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到我们人工智能的队伍中来!https://blog.csdn.net/jiangjunshow