ORB_SLAM2安装与运行

1. 安装C++11编译器

    ORB_SLAM2使用了C++11的线程和时间控制函数。

$sudo apt-get install gcc g++

 2.安装Pangolin

    ORB_SLAM2使用 Pangolin 构建可视化用户界面. 参见https://github.com/stevenlovegrove/Pangolin.     

 $ sudo apt-get install libglew-dev   #安装Glew $ sudo apt-get install cmake         #安装CMake     #安装Boost $ sudo apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev $ sudo apt-get install libpython2.7-dev  #安装Python2 / Python3    #下载、编译、安装Pangolin: $ git clone https://github.com/stevenlovegrove/Pangolin.git $ cd Pangolin $ mkdir build $ cd build $ cmake -DCPP11_NO_BOOST=1 .. $ make $ sudo make install

3. 安装OpenCV 2.4.13   

   ORB_SLAM2使用OpenCV处理图像以及特征. 参见: http://opencv.org/downloads.htm. 至少需要 2.4.3 的版本. 本测试用 OpenCV 2.4.13. (注：OpenCV 2.4.11与cuda 8.0不兼容，若需要GPU加速（使用cuda8.0，cuda8.0以前的版本不支持GTX1080），则需要安装OpenCV 2.4.13)

$ sudo apt-get install build-essential libgtk2.0-dev libjpeg-dev libtiff4-dev libjasper-dev libopenexr-dev cmake python-dev python-numpy python-tk libtbb-dev libeigen2-dev yasm libfaac-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev libx264-dev libqt4-dev libqt4-opengl-dev sphinx-common texlive-latex-extra libv4l-dev libdc1394-22-dev libavcodec-dev libavformat-dev libswscale-dev$ unzip  opencv-2.4.13.zip  $ cd opencv-2.4.13;mkdir build;cd build; $ cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_TBB=ON -D BUILD_NEW_PYTHON_SUPPORT=ON -D WITH_V4L=ON -DINSTALL_C_EXAMPLES=ON -D INSTALL_PYTHON_EXAMPLES=ON -DBUILD_EXAMPLES=ON -D WITH_QT=ON -D WITH_OPENGL=ON -DCUDA_GENERATION=Kepler ..    $ make$ sudo make install 

  #在其中写入: /usr/local/lib$ sudo gedit /etc/ld.so.conf.d/opencv.conf   #在文件末尾写入:    #PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig   #export PKG_CONFIG_PATH$ sudo ldconfig sudo gedit/etc/bash.bashrc  #source此脚本$ source /etc/bash.bashrc

4.安装Eigen3.1.0

   g2o需要Eigen，下载和安装Eigen3的方法可以看这儿: http://eigen.tuxfamily.org. 需要3.1.0及以上。(Opencv2.4.13编译时依赖此模块，最好在OpenCV2.4.13编译前安装)

   提供以下功能模块：
   1) 密集矩阵和数组操作
   2) 解密集线性方程组和矩阵分解
        -求解线性最小二乘系统
        -密集矩阵分解 (Cholesky, LU, QR, SVD, 特征值分解)
   3) 解稀疏线性方程组和矩阵分解
        -稀疏矩阵操作
        -求解稀疏线性最小二乘系统
        -稀疏矩阵分解（SpareCore, OrderingMethods, SpareCholesky, SpareLU, SparseQR,迭代线性求解）
   4) 空间变换
        - 2D旋转（角度）
        - 3D旋转（角度+轴)
        - 3D旋转(四元组: quaternion)
        - N维缩放
        - N维平移
        - N维仿射变换
        - N维线性变换（旋转、平移、缩放）

$ sudo apt-get install libeigen3-dev

5.BLAS and LAPACK

   g2o需要BLAS和LAPACK

(1) BLAS: Basic Linear Algebra Subprograms

     提供了基本的向量和矩阵操作：
     - Level-1 BLAS: 支持 标量、向量、向量-向量 操作
     - Level-2 BLAS: 支持 矩阵-向量 操作
     - Level-3 BLAS: 支持 矩阵-矩阵 操作

(2) LAPACK：Linear Algebra PACKage

    它调用BLAS来实现更高级的功能，支持以下操作：

    - 解线性方程组
    - 线性方程组的最小二乘解
    - 特征值问题和奇异值问题
    - 矩阵分解 (LU, Cholesky, QR, SVD, Schur, generalized Schur)
    - 支持密集和带状矩阵，但不支持一般的稀疏矩阵
    - 支持单精度和双精度

$ sudo apt-get install libblas-dev$ sudo apt-get install liblapack-dev

6. DBoW2 and g2o (Included in Thirdparty folder)

   ORB_SLAM2使用修改版的DBoW2 库进行位置识别 ，使用 g2o 库进行非线性优化. 这两个修改版的库被放在第三方文件夹内.

7. 编译ORB_SLAM2库和例子程序(单目、双目和RGB-D)

$ git clone https://github.com/raulmur/ORB_SLAM2.git ORB_SLAM2$ cd ORB_SLAM2$ chmod +x build.sh$ ./build.sh

     生成的libORB_SLAM2.so位于lib目录下，可执行程序mono_tum, mono_kitti, rgbd_tum, stereo_kitti, mono_euroc and stereo_euroc位于Examples目录下。

8. 运行例子程序

8.1 Monocular 实例

      1）TUM 数据集

       从http://vision.in.tum.de/data/datasets/rgbd-dataset/download下载并解压一个序列，如：rgbd_dataset_freiburg1_desk2.tgz

       执行下面的命令（把TUMX.yaml 修改为TUM1.yaml < freiburg1序列>,TUM2.yaml < freiburg2序列> or TUM3.yaml < freiburg3序列> ）

$ ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt ./Examples/Monocular/TUMX.yaml PATH_TO_SEQUENCE_FOLDER #for example$ ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt ./Examples/Monocular/TUM1.yaml ../tum_data/rgbd_dataset_freiburg1_desk2/

     2） KITTI 数据集

      从 http://www.cvlibs.net/datasets/kitti/eval_odometry.php下载数据集（灰度图像）， 把KITTIX.yaml  修改为 KITTI00-02.yaml, KITTI03.yaml or KITTI04-12.yaml，这些*xx.yaml各自对应于序列 0 to 2, 3, and 4 to 12. Change PATH_TO_DATASET_FOLDER to the uncompressed dataset folder. Change SEQUENCE_NUMBER to 00, 01, 02,.., 11.如有不明白的地方，看一下代码：

./Examples/Monocular/mono_kitti Vocabulary/ORBvoc.txt Examples/Monocular/KITTIX.yaml PATH_TO_DATASET_FOLDER/dataset/sequences/SEQUENCE_NUMBER

8.2 Stereo 实例

      1）KITTI 数据集

      从 http://www.cvlibs.net/datasets/kitti/eval_odometry.php下载数据集（灰度图像），把KITTIX.yaml  修改为 KITTI00-02.yaml, KITTI03.yaml or KITTI04-12.yaml，这些*xx.yaml各自对应于序列 0 to 2, 3, and 4 to 12. Change PATH_TO_DATASET_FOLDER to the uncompressed dataset folder. Change SEQUENCE_NUMBER to 00, 01, 02,.., 11.如有不明白的地方，看一下代码：

./Examples/Stereo/stereo_kitti Vocabulary/ORBvoc.txt Examples/Stereo/KITTIX.yaml PATH_TO_DATASET_FOLDER/dataset/sequences/SEQUENCE_NUMBER

8.3 RGB-D 实例

      1）TUM 数据集

       从http://vision.in.tum.de/data/datasets/rgbd-dataset/download下载并解压一个序列，如：rgbd_dataset_freiburg1_desk2.tgz

       运行RGB-D实例时需要RGBD(depth)图像和RGB图像，所以需要把每一张RGB图像与之对应的RGBD图像建立关联（在Examples/RGB-D/associations/目录下有一部分关联文件，可以直接使用），关联python文件associate.py(根据timestamp进行关联)。       

$ python associate.py PATH_TO_SEQUENCE/rgb.txt PATH_TO_SEQUENCE/depth.txt > associations.txt

      执行下面的命令（把TUMX.yaml 修改为TUM1.yaml < freiburg1序列>,TUM2.yaml < freiburg2序列> or TUM3.yaml < freiburg3序列> ），把 ASSOCIATIONS_FILE修改为对应的关联文件。

$./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUMX.yaml PATH_TO_SEQUENCE_FOLDER ASSOCIATIONS_FILE   # for example$./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt ./Examples/RGB-D/TUM1.yaml  ../tum-data/rgbd_dataset_freiburg1_desk2/ ./Examples/RGB-D/associations/fr1_desk2.txt 

8.4 ROS实例    

      

8.4.1 安装ROS   

9. SLAM和Localization 模式

    你可在GUI中切换至SLAM模式或Localization模式。

9.1 SLAM 模式

    这是默认模式. 此模式下，系统有三个线程并行运行: Tracking, Local Mapping and Loop Closing。 系统不停地定位相机，构建新的地图，并且试图闭合环形路径。

9.2 Localization 模式

    当你有一个好的工作区域地图时，你可以使用此模式。在这种模式下，局部地图构建以及环路闭合检测将不工作。 系统在你提供的地图上定位相机 (此地图不再更新), 在必要时使用重定位（relocalization）。