论文阅读：（二）Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping

我们常用的SLAM库有ORB-SLAM、VINSMono、OKVIS、ROVIO等。
这篇论文要介绍的是另一个开源库Kimera，它提供了3D网格重建功能和语义标注功能。

（因为还没有什么基础，不能够判别总结，差不多就是整篇翻译）

论文：Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping——2020IEEE
源码：https://github.com/MIT-SPARK/Kimera

为实时度量语义视觉惯性SLAM提供了一个开源的C++库，该库支持3D网格重建和语义标注。度量语义理解是一种同时估计场景的3D几何图形并将语义标签附加到对象的能力。
它由四个模块组成：
（1）VIO:用于快速和准确状态估计的视觉惯导测距模块。
（2）RPGO:全局轨迹估计的姿态图优化器
（3）Mesher：快速网格重建的轻型3D网格划分器模块
（4）Semantics：密集的3D度量语义重建模块
这些模块可以单独或组合运行。

相关工作：
SLAM++开创性工作引发了对实时度量语义建图的兴趣激增，这些作品大多数
(1)依赖RGB-D相机
(2)使用GPU处理
(3)使用tracking and mapping架构
(4)使用基于体素、表面或对象表示
比如：SemanticFusion、Fusion++、Mask-fusion。
最近也有基于CPU的处理方法像Voxblox++，但它也依赖于RGB-D相机。
还有一些其他感测模式，像单目相机的CNNSLAM、VSO、VITAMIN-E、XIVO，像激光雷达的SemantiKitti、SegMap。
其中XIVO和Voxblox++最接近最篇论文的提议。XIVO是基于EKF的视觉惯性方法，并产生基于对象的地图。Voxblox++依靠RGB-D传感器和轮式里程计，使用maplab的预建地图来获得视觉惯性姿态估计。
与这些工作不同的是，Kimera