实习笔记记录

1、复习了一下ORB特征提取和匹配，并且根据进度将SLAM十四讲的第七讲的代码复现完成

遇到问题：

因为课本上代码是使用opencv3，本次实验使用的是opencv4，所以会出现报错

解决方案：

参考博客：https://blog.youkuaiyun.com/Edidaughter/article/details/124654894

最后结果：

1、学习单目SLAM理论基础，手推其中的数学公式，掌握相机的内参矩阵

学习博客：http://zhaoxuhui.top/blog/2018/03/08/%E5%8D%95%E7%9B%AESLAM%E7%90%86%E8%AE%BA%E5%9F%BA%E7%A1%80.html

2、学习欧拉角、四元数、旋转矩阵推导及相互关系的理论基础

学习博客：http://zhaoxuhui.top/blog/2018/03/13/RelationBetweenQ4&R&Euler.html

3、阅读论文——A Comparison of Graph Optimization Approaches for Pose Estimation in SLAM（跑通开源源码，掌握论文的核心思想）

项目地址：https://github.com/david-m-rosen/SE-Sync

运行命令：

./SE-Sync ../../../data/sphere2500.g2o

运行结果

本论文主要是对比位姿估计中主流的图优化框架的优势。实验结果表明：

论文中考虑了g2o、GTSAM、Ceres、SE-Sync四个主流优化框架。评估过程考虑了优化时间和优化结果，以表的形式给出了测试结果，发现：

与其他三种方法相比，SE-Sync在大多数数据集上优化时间最短；

g2o优化时间最长，但在简单数据集上表现良好

Ceres易于使用，提供了很大的灵活性，而且相对较快

除了在噪声干扰严重的数据集上，GTSAM的性能几乎和SE-Sync一样 。

建议：

对于数据关联差、噪声大和性能差的前端，最好使用SE-Sync作为后端。如果初始化较好，GTSAM表现和SE-Sync一样出色

对于比性能优秀的前端，在数据集相对简单、噪音很低的情况下，后端优化的选择就凭借个人喜好了。

参考博客：https://blog.youkuaiyun.com/CV_Autobot/article/details/127456573

4、利用开源数据集跑通vins-fusion开源项目

项目地址：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion

实验环境：

操作系统——ubuntu2004

ros版本——noetic

eigen版本——3.2.9（下载地址：https://gitlab.com/libeigen/eigen/-/archive/3.2.9/eigen-3.2.9.tar.gz wget一下就行，测试过需要什么版本将版本号换一下wget就行）

ceres版本——1.14.0

由于ceres是刚编译的，在编译的过程中出现了下面这个错误，这是由于我原来的eigen版本是3.4.0过高，所以将版本回退到3.2.9即可（参考博客：https://blog.youkuaiyun.com/SoftwarerRJY/article/details/113354759）

编译vins-fusion开源项目可能会遇到如下项目，因为我使用的是opencv4，但是项目中使用的是opencv3的函数，会有很多报错，由于个人不想改opencv版本，所以选择改源码（但是这个过程非常的）

参考博客：https://blog.youkuaiyun.com/qq_39779233/article/details/128081716

https://blog.youkuaiyun.com/u013171226/article/details/108062603

https://zhuanlan.zhihu.com/p/548140724?utm_id=0

https://blog.youkuaiyun.com/dongliu2236/article/details/130483697

实验完成截图

参考博客：https://blog.youkuaiyun.com/qqGHJ/article/details/127535507

https://blog.youkuaiyun.com/m0_52457734/article/details/125343557?ops_request_misc=&request_id=&biz_id=102&utm_term=ubuntu%E4%B8%ADVINS_FUSION%E7%BC%96%E8%AF%91%E8%BF%90%E8%A1%8C&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-125343557.nonecase&spm=1018.2226.3001.4187

运行命令：在该项目下同时打开5个端口：

1、roscore

2、roslaunch vins vins_rviz.launch

3、rosrun vins vins_node ~/catkin_ws/src/VINS-Fusion/config/euroc/euroc_mono_imu_config.yaml

4、rosrun loop_fusion loop_fusion_node ~/catkin_ws/src/VINS-Fusion/config/euroc/euroc_mono_imu_config.yaml

5、rosbag play YOUR_DATASET_FOLDER/MH_01_easy.bag

后期计划：通过阅读代码掌握该源码原理，尝试将该vio中的位姿估计优化图框架该文上述论文中的SE-Sync.