火柴的初心的博客

关键帧创建的帧率降低，将有更多的时间进行LocalInertialBA优化，所以窗口大小扩大为。的主要作用是联合视觉和IMU信息优化当前关键帧的局部地图，主要用在。当Tracking线程跟踪的地图点超过。进行联合优化，主要作用在。

因为在IMU初始化阶段假设biases为常数，所以IMU残差中不包含biases的随机游走。首先，对齐IMU轨迹与纯视觉轨迹，求解尺度、关键帧的速度、重力方向、IMU的biases。众所周知，重力和加速度的bias往往是耦合的，大多数情况下很难区分开，避免或者缓解的方法。问题：如果对于IMU参数没有比较好的初值，那么。将不能很快收敛，特别耗时，而且容易陷入局部最优。帧的位姿和速度以及3D点。对齐，bias需要更新，

在的中，通过与新插入关键帧中ORB特征进行匹配，并抛弃其中的匹配点对，接着通过生成地图点。

更新关键帧中的地图点的属性，并更新和其他关键帧的连接。中新增的地图点，并剔除质量不好的地图点。主要的作用是更新关键帧之间的。已经检验过了，所以不再需要。中的关键帧，给关键帧添加。

ORB_SLAM3 判断关键帧与创建关键帧

为包含了PnP的所有内点的集合。为啥不在优化后赋值，主要是为了防止通过。中寻找和当前帧相似的关键帧作为匹配帧，进而恢复当前帧的位姿。的主要作用是通过将关键帧中的地图点投影到当前帧寻找两帧之间。为优化后的外点，那么再位姿优化，内点可能无法达标。主要是通过词袋搜索当前帧与候选关键帧的匹配，参考。进行匹配，这样避免了所有特征点之间的两两匹配。赋值是在PnP后，而不在优化后，说明。时，通过词袋在关键帧数据库。的作用是通过词袋模糊搜索在。为同一节点，再用节点下。，关键帧中的地图点不在。为更加抽象的簇，一个。

ORB SLAM3的初始化

矩在圆中以行的方式进行计算，首先计算v=0行，上下两行中对应的点为。将特征点分配到网格中主要的作用：加速特征点的搜索。对于金字塔的每一层，将其网格化，每个格子大小为。在四叉树均匀化后，将特征点坐标变换到。示例：目标特征点数(20)个点，两两相互比较，生成。提取到的角点的原点位于。组点对，每组点对包含。

这里介绍ORB_SLAM算法中的双目匹配算法。

单目初始化单目初始化通过前后两帧图像进行特征匹配，得到他们之间的匹配关系后，通过H或者F恢复两帧之间的运动，并通过三角化生成地图点1.接口void Tracking::MonocularInitialization()2.步骤单目初始化的大致步骤如下：创建单目初始化器，并创建当前帧和来自上一关键帧的IMU预积分mCurrentFrame.mpImuPreintegrated：当前帧的IMU预积分mpImuPreintegratedFromLastKF：来自上一关键帧的IMU预积分

残差预积分的测量值采用一阶近似修正，免去了积分重新运算，降低计算量状态包含：Ri,pi,vi,Rj,pj,vj,δbig,δbia\mathbf{R}_{i}, \mathbf{p}_{i}, \mathbf{v}_{i}, \mathbf{R}_{j}, \mathbf{p}_{j}, \mathbf{v}_{j}, \delta \mathbf{b}_{i}^{g}, \delta \mathbf{b}_{i}^{a}Ri​,pi​,vi​,Rj​,pj​,vj​,δbig​,δbia​，其中关于

预积分测量值更新当bias不发生变化时ΔR~ij−1→ΔR~ij\Delta \tilde{R} _{ij-1}\to \Delta \tilde{R}_{ij}ΔR~ij−1​→ΔR~ij​ΔR~ij=∏k=ij−1Exp⁡((ω~k−big)Δt)=∏k=ij−2Exp⁡((ω~k−big)Δt)⋅Exp⁡((ω~j−1−big)Δt)=ΔR~ij−1⋅ΔR~j−1j\begin{array}{l}\Delta \tilde{\mathbf{R}}_{i j}=\prod_{k=i}^{j

误差1.确定性误差Bias：偏置Scale：实际数值和传感器输出值之间的比值。Misalignment：非正交误差。标定的方法：六面法标定加速度。2.随机误差Allan方差随机游走IMU器件测量模型1.角标符号说明b：body坐标系a：加速计(acc)g：陀螺仪(gyro)w：世界坐标系d：离散(discrete)2.假设假设：地球是静止的，忽略自转，运行平面为水平面，重力指向固定，模值恒定。运行场景小；运行时间短；精度低(mems)；3.测量

ORB_SLAM3 IMU预积分 理论推导

这篇博文主要分享ORB_SLAM3中Tracking::PreintegrateIMU()，其主要包括几个部分：获得两帧之间的IMU数据中值积分IMU状态更新关于IMU的理论推导参考：ORB_SLAM3_IMU预积分理论推导(预积分项)ORB_SLAM3_IMU预积分理论推导(噪声分析)ORB_SLAM3_IMU预积分理论推导(更新)ORB_SLAM3_IMU预积分理论推导(残差)1.获得两帧之间的IMU数据主要是为了获取当前帧和前一帧之间的IMU数据，以便用于后续的IMU预积分

虽然在开始设置了位姿，但是没有参与优化，因此在下一次跟踪时，需要用。，为什么要更新上一帧的位姿，主要是在ORB_SLAM中优化的是。首先，假设两帧之间的变换近似，根据速度设置当前帧的初始位姿。是什么：当跟踪成功或者刚刚跟丢，会更新该速度，该速度表示。中的预积分测量值更新(bias更新，一阶近似)利用参考关键帧更新上一帧在世界坐标系下的。得到上一帧与当前帧的匹配关系后，利用。来预测当前帧的状态，就不用通过。预测当前帧的位姿与速度时，采用。注意：这里可以参考前面的。的位姿更新上一帧的位姿。

对于词汇树，它是由一堆图像离线训练而来的，首先对训练的图像计算。进行匹配，这样避免了所有特征点之间的两两匹配。两帧图像特征匹配类似，先对比。特征点，然后把这些特征点放在一起，通过。的树，除了叶子之外，每个节点都有。从词汇树中可以看出，如果想比较两个东西，那么先用。然后对每簇，再次通过。)以及一个正向索引表(对它们聚类， 将之分为。为同一节点，再用节点下。函数将当前帧的描述子。为更加抽象的簇，一个。

TrackLocalMap通过TrackWithMotionModel或TrackReferenceKeyFrame的Frame to Frame跟踪得到了当前帧的初始位姿。为了得到更加精准的位姿，可以将局部地图投影到当前帧上得到更多的匹配实现Frame to Map，然后进一步优化当前帧的位姿1.UpdateLocalMapTrackLocalMap的第一步就是更新当前帧的局部地图，该地图包含：通过UpdateLocalKeyFrames更新局部关键帧：能观测到当前帧地图点的共视关键帧1中

主要的作用是利用上一关键帧和当前关键帧的视觉以及IMU信息来优化当前帧的位姿，主要用在。对于先验信息公式推导，未完待续。

【代码】ORB_SLAM3 闭环检测。