使用自己的TUM数据集来实现ORBSLAM稠密建图

2024-02-01 15:10
文章标签 数据 实现 使用 建图 稠密 tum 集来 orbslam

本文主要是介绍使用自己的TUM数据集来实现ORBSLAM稠密建图，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

​

简介

  • 项目链接：https://github.com/LeonardoDiCaprio1/Map_ORBSLAM_ROS
  • 奥比中光ROS功能驱动包：https://github.com/LeonardoDiCaprio1/astra_camera
  • 笔者参照很多大佬的文章和相关代码并添加了一些功能而且最终编译出来，现在分享给大家

硬件设备

  • 奥比中光深度相机（Astra）
  • 笔记本电脑（AMD）

操作环境

  • Ubuntu 20.04
  • ROS Noetic

额外依赖

  • pcl-1.13
  • Pangolin-0.6
  • boost-1.79.0
  • realsense2
注：Ubuntu 20.04 ROS Noetic自带OpenCV-4.2.0

安装依赖

1.安装git，g++，python

  • ORBSLAM3需要C++11和C++0x 编译器
sudo apt-get install git
sudo apt install g++
sudo apt install libpython2.7-dev

2.安装EIGEN库

sudo apt-get install libeigen3-dev
  • 检查是否安装成功
cat /usr/include/eigen3/Eigen/src/Core/util/Macros.h

3.安装Pangolin-0.6

  • 安装依赖
sudo apt install libgl1-mesa-dev
sudo apt install libglew-dev
sudo apt install libpython2.7-dev
sudo apt install pkg-config
sudo apt install libegl1-mesa-dev libwayland-dev libxkbcommon-dev wayland-protocols
  • 编译与安装
cd Pangolin-0.6
mkdir build
cd build 
cmake ..
make 
sudo make install
  • 卸载说明
cd build 
sudo make uninstall
  • 查看是否安装成功
cd examples/HelloPangolin
./HelloPangolin
  • 注：pcl-1.13的编译与下载和Pangolin-0.6操作相同，后续不在叙述

4.安装OpenCV依赖

sudo apt-get install build-essential libgtk2.0-dev libgtk-3-dev libavcodec-dev libavformat-dev libjpeg-dev libswscale-dev libtiff5-dev
sudo apt install python3-dev python3-numpy
sudo apt install libgstreamer-plugins-base1.0-dev libgstreamer1.0-dev
sudo apt install libpng-dev libopenexr-dev libtiff-dev libwebp-dev
  • 检查OpenCV版本号
pkg-config --modversion opencv4

5.安装boost库

  • 链接
sudo ./bootstrap.sh
sudo ./b2 install

6.安装realsense2

  • 注册public key
sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE || sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE
  • 添加apt源
sudo add-apt-repository "deb https://librealsense.intel.com/Debian/apt-repo $(lsb_release -cs) main" -u
  • 安装
sudo apt install librealsense2-dkms librealsense2-utils librealsense2-dev

7.安装编译Map_ORBSLAM_ROS

cd Map_ORBSLAM_ROS
chmod +x *.sh
./build.sh
注：这里为了防止线程卡死，你可以在build.sh文件中将其相关代码改为make

8.TUM数据集稠密建图

./run_rgb_mapping.sh
或者
source build/devel/setup.bash
roslaunch orb_slam3 rgbd_mapping_1.launch

制作TUM数据集

  • 奥比中光bag包录制
rosbag record -O image.bag /camera/rgb/image_raw /camera/depth/image_raw
  • 查看奥比中光订阅话题
rosbag info image.bag
  • 首先创建rgb和depth文件夹和txt文件
mkdir rgb
mkdir depth
touch rgb.txt
touch depth.txt
  • 使用脚本get_TUM_better.py或者get_TUM.py或者get_tum.py获取深度图和彩色图并分别得到txt文件
  • 若是TUM官方数据集的bag文件请使用TUM_official.py文件
python3 get_TUM_better.py
  • 使用官方脚本得到associate.txt文件
python3 associate.py rgb.txt depth.txt  > associate.txt
  • 执行指令例子
./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml /home/zhao/script /home/zhao/script/associate.txt

  • 效果展示
    result

  • TUM官方数据集bag文件信息

bag TUM

注：你可以使用其他的深度相机制作TUM数据集，但要注意相机的规格参数，实验过程中使用的是奥比中光深度相机，TUM官方数据集给的bag文件除了相机深度话题和彩色话题以外还有imu和tf话题。

制作TUM数据集-稠密建图

  • 首先在当级目录下创建rgb.txt和depth.txt以及rgb和depth文件夹
mkdir rgb
mkdir depth
touch rgb.txt
touch depth.txt
  • 运行scripts中的get_TUM.py文件或者get_TUM_better.py文件
python3 get_TUM_better.py
  • 若是TUM官方数据集的bag文件请使用scripts中的TUM_official.py文件
python3 TUM_official.py
  • 运行associate.py得到associate.txt文件
python3 associate.py rgb.txt depth.txt  > associate.txt
  • 使用自己的数据集稠密建图
./run_rgb_mapping.sh
  • 运行样例
    Example

稠密建图效果

  • 建完图后pcd文件默认保存在.ros隐藏文件夹中
  • Ctrl + H 能够快速的调出隐藏文件
  • 安装pcl工具
sudo apt-get install libpcl-dev pcl-tools
  • pcl查看建图效果
pcl_viewer vslam.pcd
  • 开源项目scripts文件夹中有matlab脚本
  • 你也可以使用CouldCompare软件打开pcd文件
  • 笔者默认使用matlab打开pcd文件

效果展示

在这里插入图片描述

相机内参标定

  • 将以下的照片打印在A4纸上，拍摄20张左右的图片
  • 可以通过rosbag录制1-2秒，用get_tum.py或者get_TUM.py获取彩色图像
  • 存放在cameraCalib.py同一级目录下

内参标定

  • 执行代码
python3 cameraCalib.py
  • 注：例子Example.yaml在scripts里

使用EVO测评TUM官方数据集

  • evo_ape：计算绝对位姿误差(absolute pose error)，用于整体评估整条轨迹的全局一致性
  • evo_rpe：计算相对位姿误差(relative pose error)，用于评价轨迹局部的准确性
  • -a轨迹对齐，-s尺度缩放，-p绘制误差相关曲线，-v开启详细的输出或日志记录
  • 在执行完以下指令后可以获得CameraTrajectory.txt和KeyFrameTrajectory.txt
./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml /home/zhao/script /home/zhao/script/associate.txt
  • 注意事项：本文是针对CameraTrajectory.txt和KeyFrameTrajectory.txt进行评估的，因为后面评估自己的TUM数据集只有这两个文件，groundtruth.txt可能需要特殊处理来生成，笔者暂时没有方法去实现，这可能需要额外的设备去获取相对位姿
  • 如果出现以下情况请不要担心！
       max	0.000000mean	0.000000median	0.000000min	0.000000rmse	0.000000sse	0.000000std	0.000000
  • 一般而言可以使用groundtruth.txt和CameraTrajectory.txt或者KeyFrameTrajectory.txt进行对比评估
  • 以下是一个样例
evo_ape tum groundtruth.txt CameraTrajectory.txt -p --plot -s --correct_scale -a --align -v

在这里插入图片描述

  • pip安装evo工具
pip install evo --upgrade --no-binary evo

绘制多条轨迹

  • evo_traj绘制轨迹
evo_traj tum CameraTrajectory.txt KeyFrameTrajectory.txt  -p --plot_mode=xyz
  • TUM数据集有groundtruth.txt文件，可以执行以下指令：
evo_traj tum CameraTrajectory.txt KeyFrameTrajectory.txt groundtruth.txt -p --plot_mode=xyz
  • trajectories
    在这里插入图片描述
  • xyz_view
    在这里插入图片描述
  • rpy_view
    在这里插入图片描述
  • 欧拉角（roll，pitch，yaw）分别表示滚动角，俯仰角，偏航角

评估绝对位姿误差

  • evo_ape评估绝对位姿误差指令
evo_ape tum CameraTrajectory.txt KeyFrameTrajectory.txt -p --plot -s --correct_scale -a --align -v --save_results ~/path/to/ape.zip
  • 当然你可以省略–save_results ~/path/to/ape.zip
evo_ape tum CameraTrajectory.txt KeyFrameTrajectory.txt -p --plot -s --correct_scale -a --align -v

结果展示

在这里插入图片描述

  • APE平均百分误差
  • rmse均方根误差
  • median中位数
  • mean算术平均数
  • std标准差

在这里插入图片描述

评估相对位姿误差

  • evo_rpe评估相对误差指令
 evo_rpe tum CameraTrajectory.txt KeyFrameTrajectory.txt -p -a -s -v --save_results ~/path/to/rpe.zip
  • 当然你可以省略–save_results ~/path/to/rpe.zip
 evo_rpe tum CameraTrajectory.txt KeyFrameTrajectory.txt -p -a -s -v

结果展示

在这里插入图片描述

  • APE平均百分误差
  • rmse均方根误差
  • median中位数
  • mean算术平均数
  • std标准差
    在这里插入图片描述
  • 输出ape结果进行比较
evo_res ape.zip -p --save_table ape.csv
  • 当然你可以省略–save_table ape.csv
evo_res ape.zip -p
结果展示

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

使用EVO工具测评自己的TUM数据集

  • evo_traj绘制多条轨迹指令如下：
evo_traj tum CameraTrajectory.txt KeyFrameTrajectory.txt  -p --plot_mode=xyz
  • trajectories
    在这里插入图片描述
  • xyz_view
    在这里插入图片描述
  • rpy_view
    在这里插入图片描述

注：evo评估自己的TUM数据集结果不做过多演示，后续可以自己操作并输出自己的TUM数据集的评估结果

项目链接展示

  • TUM官方数据集-哔哩哔哩

  • 自己的TUM数据集-哔哩哔哩

  • TUM数据集

主要参考链接

  • https://blog.csdn.net/kuvinxu/article/details/125992909
  • https://blog.csdn.net/kuvinxu/article/details/126233165
  • https://github.com/lturing/ORB_SLAM3_ROS
  • https://blog.csdn.net/peng_258/article/details/127414959
  • https://blog.csdn.net/zardforever123/article/details/127138151
  • https://blog.csdn.net/weixin_47074246/article/details/109134740
  • https://blog.csdn.net/qq_43265072/article/details/104715515

​

这篇关于使用自己的TUM数据集来实现ORBSLAM稠密建图的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/667634。

相关文章

使用Python实现IP地址和端口状态检测与监控

使用Python实现IP地址和端口状态检测与监控

《使用Python实现IP地址和端口状态检测与监控》在网络运维和服务器管理中,IP地址和端口的可用性监控是保障业务连续性的基础需求,本文将带你用Python从零打造一个高可用IP监控系统,感兴趣的小伙... 目录概述：为什么需要IP监控系统使用步骤说明1. 环境准备2. 系统部署3. 核心功能配置系统效果展
阅读更多...
Python实现微信自动锁定工具

Python实现微信自动锁定工具

《Python实现微信自动锁定工具》在数字化办公时代,微信已成为职场沟通的重要工具,但临时离开时忘记锁屏可能导致敏感信息泄露,下面我们就来看看如何使用Python打造一个微信自动锁定工具吧... 目录引言：当微信隐私遇到自动化守护效果展示核心功能全景图技术亮点深度解析1. 无操作检测引擎2. 微信路径智能获
阅读更多...
使用Java将各种数据写入Excel表格的操作示例

使用Java将各种数据写入Excel表格的操作示例

《使用Java将各种数据写入Excel表格的操作示例》在数据处理与管理领域,Excel凭借其强大的功能和广泛的应用,成为了数据存储与展示的重要工具,在Java开发过程中,常常需要将不同类型的数据,本文... 目录前言安装免费Java库1. 写入文本、或数值到 Excel单元格2. 写入数组到 Excel表格
阅读更多...
redis中使用lua脚本的原理与基本使用详解

redis中使用lua脚本的原理与基本使用详解

《redis中使用lua脚本的原理与基本使用详解》在Redis中使用Lua脚本可以实现原子性操作、减少网络开销以及提高执行效率,下面小编就来和大家详细介绍一下在redis中使用lua脚本的原理... 目录Redis 执行 Lua 脚本的原理基本使用方法使用EVAL命令执行 Lua 脚本使用EVALSHA命令
阅读更多...
Python中pywin32 常用窗口操作的实现

Python中pywin32 常用窗口操作的实现

《Python中pywin32常用窗口操作的实现》本文主要介绍了Python中pywin32常用窗口操作的实现,pywin32主要的作用是供Python开发者快速调用WindowsAPI的一个... 目录获取窗口句柄获取最前端窗口句柄获取指定坐标处的窗口根据窗口的完整标题匹配获取句柄根据窗口的类别匹配获取句
阅读更多...
Java 中的 @SneakyThrows 注解使用方法(简化异常处理的利与弊)

Java 中的 @SneakyThrows 注解使用方法(简化异常处理的利与弊)

《Java中的@SneakyThrows注解使用方法(简化异常处理的利与弊)》为了简化异常处理,Lombok提供了一个强大的注解@SneakyThrows,本文将详细介绍@SneakyThro... 目录1. @SneakyThrows 简介 1.1 什么是 Lombok？2. @SneakyThrows
阅读更多...
在 Spring Boot 中实现异常处理最佳实践

在 Spring Boot 中实现异常处理最佳实践

《在SpringBoot中实现异常处理最佳实践》本文介绍如何在SpringBoot中实现异常处理,涵盖核心概念、实现方法、与先前查询的集成、性能分析、常见问题和最佳实践,感兴趣的朋友一起看看吧... 目录一、Spring Boot 异常处理的背景与核心概念1.1 为什么需要异常处理？1.2 Spring B
阅读更多...
python处理带有时区的日期和时间数据

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息
阅读更多...
Python位移操作和位运算的实现示例

Python位移操作和位运算的实现示例

《Python位移操作和位运算的实现示例》本文主要介绍了Python位移操作和位运算的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 位移操作1.1 左移操作 (<<)1.2 右移操作 (>>)注意事项：2. 位运算2.1
阅读更多...
如何在 Spring Boot 中实现 FreeMarker 模板

如何在 Spring Boot 中实现 FreeMarker 模板

《如何在SpringBoot中实现FreeMarker模板》FreeMarker是一种功能强大、轻量级的模板引擎,用于在Java应用中生成动态文本输出（如HTML、XML、邮件内容等）,本文... 目录什么是 FreeMarker 模板？在 Spring Boot 中实现 FreeMarker 模板1. 环
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2