ORB Slam2和ORB Slam3的区别

已于 2023-05-10 20:12:50 修改
阅读量3.2k 收藏 12
点赞数 6
分类专栏： 视觉SLAM 文章标签： 计算机视觉 人工智能
于 2023-04-17 14:56:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Tyandy1/article/details/130200122
版权

ORB-SLAM2和ORB-SLAM3都是基于单目相机的视觉SLAM系统，但它们有以下区别：

  1. 特征提取和描述子：ORB-SLAM2使用ORB特征和ORB描述子，而ORB-SLAM3使用SuperPoint特征和SuperPoint描述子。SuperPoint是一种基于卷积神经网络的特征提取和描述子方法，相比ORB更加鲁棒和准确。

  2. 姿态估计：ORB-SLAM2使用基于EPnP算法的姿态估计方法，而ORB-SLAM3使用基于PnP算法的姿态估计方法。PnP算法相比EPnP算法更加高效和准确。

  3. 语义信息：ORB-SLAM3支持语义信息的输入和处理，可以将语义信息与视觉信息相结合，提高SLAM系统的鲁棒性和精度。

  4. 多相机系统：ORB-SLAM3支持多相机系统的建图和定位，可以同时处理多个相机的视觉信息。

综上所述，ORB-SLAM3相比ORB-SLAM2在特征提取和描述子、姿态估计、语义信息和多相机系统等方面有所改进和优化。

-------------------摘自chapgpt回答 用以记录

ORB-SLAM2和3区别：跟踪线程
jjjqqq123321的博客
01-27 1170
这里简单记录一下ORB-SLAM3和ORB-SLAM2在跟踪线程的区别。第一阶段：参考关键帧跟踪、恒速模型跟踪、重定位跟踪。第二阶段：局部地图跟踪。第三阶段：短期跟踪丢失和长期跟踪丢失。其中第三阶段是ORB-SLAM3新增的一种状态。
视觉惯性SLAM系列——ORB-SLAM2与ORB-SLAM3的整体架构以及异同点（四）
曾经也曾立志
02-02 1825
ORB-SLAM2和ORB-SLAM3都是基于特征点的视觉SLAM（Simultaneous Localization and Mapping）系统，由Raul Mur-Artal、Jorge D. Tardos和Jose M. M. Montiel等人开发。总的来说，ORB-SLAM3在ORB-SLAM2的基础上进行了一系列的改进，特别是在多传感器融合、直接地图的使用、实时性能和系统架构方面。：ORB-SLAM3在ORB-SLAM2的基础上进行了架构上的优化，提高了系统的模块化和可扩展性。
ORB-SLAM3与ORB-SLAM2对比
cyx610481953的博客
12-10 7879
ORB-SLAM2运行遇到段错误 解决：将Cmakelist.txt里的 -march=native去掉即可
SuperSLAM：引领视觉SLAM领域的深度学习开源系统
最新发布
gitblog_00666的博客
04-01 851
SuperSLAM：引领视觉SLAM领域的深度学习开源系统 SuperSLAM SuperSLAM: Open Source Framework for Deep Learning based Visual SLAM (Work in Progress) ...
ORB-SLAM3相对于ORB-SLAM2有哪些优势？
3D视觉工坊
01-16 1565
01背景介绍自主导航是机器人基础性和关键性技术，是机器人实现其他更高级任务的前提。视觉 SLAM (Simultaneous Localization And Mapping) 利用视觉传感器获取环境图像信息，基于多视图几何算法构建环境地图。视觉SLAM技术广泛应用于无人驾驶、元宇宙、游戏、智能机器人等领域。在无人驾驶方面，一些大厂如腾讯、阿里、百度、华为、小米、商汤等企业投入重金研发，开放大量关...
视觉slam开源算法对比orbslam2和3
weixin_44356437的博客
04-02 1072
参考博客绝对轨迹误差(ATE):将对齐后的轨迹直接与真值比较，求取每个状态的RMSE作为整段轨迹总误差。其计算步骤主要包含两个：(1)轨迹对齐 (2)在对齐轨迹与真值之间计算RMSE。相对轨迹误差(RTE):将整段轨迹按一定规则截取成若干小段。取每一小段的第一个状态求取与真值的变换，利用这个变换将最后一个状态与真值对齐，计算误差。该计算结果即作为该段的误差。重复上述步骤即可以得到多段误差。RMSE是所有观测值与真值偏差的平方和与观测次数n比值的平方根术语解释剩余标准差S，也称均方差。
SLAM传感器部署实战详解文档，基于realsensed455深度相机部署orbslam2/orbslam3视觉slam开发，基于ros/非ros环境搭建，slam出图
11-24
Orb SLAM2支持更多的相机类型和丰富的传感器，而Orb SLAM3则是Orb SLAM2的升级版本，提高了对动态环境的适应能力和鲁棒性。 文档中会详细解读如何在ROS（Robot Operating System）环境下搭建SLAM系统，以及如何在非...
泡泡机器人注释版orbslam2（可正常编译运行）
08-16
泡泡机器人注释版的ORBSLAM2，正如其标题所描述，是对原始ORBSLAM2源代码进行了详尽注释的版本，旨在帮助开发者更好地理解其工作原理和实现细节。 **ORBSLAM2的核心概念和组成部分：** 1. **特征提取与匹配**：ORB...
ORBSLAM2源码（附带详细注释）
12-26
3. **关键帧系统**：ORBSLAM2采用关键帧（Keyframe）和地图点（Map Point）的概念。关键帧是包含大量特征点的图像，用于构建地图；地图点则是跨多个关键帧的共同观测，它们提供了环境的长期描述。 4. **回环检测**...
ORB_SLAM3官方标定文档的中文版
04-20
ORB_SLAM3 官方标定文档中文版是 ORB_SLAM3 的视觉和惯性标定的官方指南。该文档提供了详细的标定文件格式、坐标系定义、外参和内参的说明。 1. 坐标系定义 ORB_SLAM3 中定义了三个坐标系：世界坐标系 (W)、主体...
orb slam1 2 3的区别
weixin_41150257的博客
11-16 627
ORB-SLAM1、ORB-SLAM2和ORB-SLAM3是SLAM（Simultaneous Localization and Mapping，即同时定位与地图构建）领域的经典算法，它们之间既有传承也有发展。
ORB_SLAM2和3的位置识别差异
chennuo0125的博客
12-17 1021
概述 上面是ORB_SLAM3中提到的一个创新点，主要内容是现有的基于DBoW2的位置识别算法为了提高识别精度，要求先进行时间一致性验证，然后再进行空间一致性验证，其中时间一致性验证会出现连续3个关键帧匹配同一个地方，这样就使得整个位置识别过程非常缓慢，而且召回率低。而新识别算法是首先对当前帧进行几何一致性验证，然后再检查局部一致性验证，从而达到以少量的计算量增加换取高召回率和高地图精度。 ORB_SLAM2位置识别过程 时间一致性验证 获取连续3帧关键帧(0,1,2)(0,1,2)(0,1,2)，并通
ORB-SLAM 1/2/3 系列区别
weixin_39152543的博客
04-23 1030
ORB-SLAM 1/2/3 系列区别
ORB_SLAM1/2/3 系列 区别详解
weixin_51547017的博客
12-22 8441
一、区别 ORB_SLAM：只针对的是单目SLAM系统 ORB_SLAM2：可以用于单目、双目、RGB_D相机。（并且作者公开的源码中包含ROS版本，可以实时跑自己的数据） ORB_SLAM3：在2的基础上，还可以用于鱼眼相机；增加了视觉+imu的系统（VIO）。 二、详情 1.ORB_SLAM ORB_SLAM：a Versatile and Accurate Monocular SLAM System (ORB_SLAM：一种通用精确的单目SLAM系统) 摘要：本文提出了一种基于特征的单目ORB-SLA
视觉slam开源方案对比(ORB-SLAM2,ORB-SLAM3,VINS)
dushib的博客
12-20 1万+
ORB-SLAM2: GitHub - raulmur/ORB_SLAM2: Real-Time SLAM for Monocular, Stereo and RGB-D Cameras, with Loop Detection and Relocalization Capabilities ORB-SLAM3: GitHub - JKTao/ORB_SLAM3: ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial
ORB-SLAM2和ORB-SLAM的区别
gls_nuaa的博客
12-11 3047
  对于ORB-SLAM2整体还是使用基于ORB-SLAM的结构，但对部分细节做了改进，适用面更广。下图是ORB-SLAM2的系统结构图，可以看到和ORB-SLAM的相差不大(区别在于tracking中多了预处理模块，以及最后有一个全局BA,其余流程没变)：   关于和ORB-SLAM相同的部分就不再赘述，详细的可以参考：ORB-SLAM介绍(无源码版本)本文主要介绍一下ORB-SLAM2和ORB-SLAM相比的区别：   1.ORB-SALM完全基于ROS平台，而ORB-SLAM2提供了ROS的接口，也
学习笔记之——ORB-SLAM1、2、3
gwpscut的博客
09-27 4181
本博文是本人学习ROBSLAM的学习笔记，笔记分为两部分，第一部分为原理的学习，第二部分则是基于ROS开源的ORBSLAM功能包来实现建图 ORB特征点 之前博客《学习笔记之——vs2015+opencv2.4.13实现SIFT、SURF、ORB》也介绍过ORB特征算子了。这里复习一下。 ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（Features ...
ORB-SLAM2系列第一章——简介
weixin_45947476的博客
03-24 6319
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、ORB-SLAM2算法架构详解二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、ORB-SLAM2算法架构详解 这是ORB-SLAM2文章中的系统线程和模块框架。 二、使用步骤 1.引入库 代码如下（示例）：.
ORB-SLAM3整体流程详解
热门推荐
lovely_yoshino的博客
05-26 2万+
在之前，作者曾经转过一篇《》的文章。那篇文章中提到了ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统，可以在单目，双目和RGB-D相机上利用针孔或者鱼眼模型运行。与ORB-SLAM2相比，ORB-SLAM3在处理大视差和长时间未观测到的场景时效果更好。它还提供了更准确的帧间运动估计和更快的处理速度。此外，ORB-SLAM3还支持更多的传感器，包括RGB-D摄像头和车载LIDAR。ORB-SLAM3的代码结构也比ORB-SLAM2更加简洁，使得它更容易理解和扩展。
orbslam2和orbslam3的区别
06-28
### 回答1： ORB-SLAM2和ORB-SLAM3都是基于单目相机的视觉SLAM系统，但它们有以下区别： 1. 特征提取和描述子：ORB-SLAM2使用ORB特征和ORB描述子，而ORB-SLAM3使用SuperPoint特征和SuperPoint描述子。SuperPoint是一种基于卷积神经网络的特征提取和描述子方法，相比ORB更加鲁棒和准确。 2. 姿态估计：ORB-SLAM2使用基于EPnP算法的姿态估计方法，而ORB-SLAM3使用基于PnP算法的姿态估计方法。PnP算法相比EPnP算法更加高效和准确。 3. 语义信息：ORB-SLAM3支持语义信息的输入和处理，可以将语义信息与视觉信息相结合，提高SLAM系统的鲁棒性和精度。 4. 多相机系统：ORB-SLAM3支持多相机系统的建图和定位，可以同时处理多个相机的视觉信息。 综上所述，ORB-SLAM3相比ORB-SLAM2在特征提取和描述子、姿态估计、语义信息和多相机系统等方面有所改进和优化。 ### 回答2： ORB-SLAM2和ORB-SLAM3都是视觉SLAM算法，可以在不依赖于外部传感器、GPS等情况下，通过使用摄像头和计算机视觉技术来实现场景的定位和建图。但是ORB-SLAM3相较于ORB-SLAM2，有以下几个方面的优化： 1.支持更多类型的传感器：ORB-SLAM3不仅支持摄像头，还可以接收其他类型的传感器数据，并进行融合处理。这样可以提高定位和建图的精度和鲁棒性。 2.多摄像头系统的支持：ORB-SLAM3可以处理多个摄像头的数据，并建立一个共同的场景表示。这在一些多摄像头系统的应用场景下非常实用，比如安防、指挥控制等。 3.全面使用深度学习：ORB-SLAM3采用深度学习模型进行优化，并将神经网络和SLAM算法进行融合。这可以提高SLAM算法在复杂场景下的性能。 4.支持更多的场景类型：除了室内场景，ORB-SLAM3还可以处理室外和底层的场景。这使得ORB-SLAM3具有更广泛的应用场景。 总的来说，ORB-SLAM3相较于ORB-SLAM2，在算法的智能化、多传感器的融合、多摄像头系统的处理等方面做出了更多的优化，可以更加准确、鲁棒地进行定位和建图。 ### 回答3： ORB-SLAM是一种基于特征的视觉SLAM技术，通过提取图像特征跟踪摄像头的位置和运动。而ORB-SLAM2和ORB-SLAM3是ORB-SLAM的升级版本。 ORB-SLAM2是ORB-SLAM的第二代。相对于第一代，ORB-SLAM2在精度和鲁棒性上有所提高，同时还改进了内存和计算效率。ORB-SLAM2采用了可重现的随机采样一致性（RANSAC）来剔除错误匹配，同时利用线性最小二乘法（LM）来优化摄像头的位置和运动，从而提高整个系统的精度和稳定性。 相对于ORB-SLAM2，ORB-SLAM3主要改进了以下几个方面。首先，ORB-SLAM3采用了深度神经网络对场景的特征进行编码，从而进一步提高ORB-SLAM的鲁棒性和准确性，并且可以在更广泛的场景下应用。其次，ORB-SLAM3改进了多个传感器的融合，可以同时利用视觉、惯性、GPS和激光雷达等传感器数据进行定位和建图。最后，ORB-SLAM3还改进了局部地图管理的方法，使得整个系统更加灵活和高效。 总的来说，ORB-SLAM3相对于ORB-SLAM2更先进、更具有实用价值，但也更加复杂和难以实现。不过，在实际应用中需要根据具体的需求选择合适的版本，以满足不同场景下的需求。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值