ORB_SLAM2编译与测试（一）

ORB_SLAM2编译与测试

学习视觉slam,经典的slam开源框架的学习，是不可避免的。记录一下ORB_SLAM2的编译与测试,此次配置的是无ROS版本。
跑的数据集TUM Dataset
系统版本:ubuntu16.04
ORB_SLAM2源码：https://github.com/raulmur/ORB_SLAM2
ORB_SLAM2项目主页：http://webdiis.unizar.es/~raulmur/orbslam/

一、安装依赖

1.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  

编译安装Pangolin:

git clone https://github.com/stevenlovegrove/Pangolin.git
cd Pangolin
mkdir build
cd build
cmake ..
make

2.OpenCV

因为之前用过opencv,这里给出编译opencv参考博客！
用的是opencv3.2版本
参考博客：https://blog.csdn.net/lql0716/article/details/54564721

3.Eigen3

Eigen3是一个C++开源线性代数代数库，提供矩阵的线性代数运算，安装比较简单，一条命令就行了。

sudo apt-get install libeigen3-dev

4.BLAS and LAPACK

网上说是g2o需要BLAS和LAPACK

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

 

5.DBoW2 and g2o (Included in Thirdparty folder)

ORB_SLAM2使用的是修改版本DBoW2库进行位置识别
另外使用修改的g2o库进行非线性优化，所以将这两个修改的版本都放在了第三方的文件夹里
对于这两个库的安装与编译在build.sh给出了，这里不用管它了。

二、编译ORB_SLAM2

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

注意：首先将build.sh中最后一行的make -j 改为make ,否则容易死机
等待一段时间，就编译成功了！

编译完成后生成libORB_SLAM2.so，其位于lib目录下，

生成的可执行程序mono_tum, mono_kitti, rgbd_tum, stereo_kitti, mono_euroc and stereo_euroc，位于Examples目录下。

三、运行例子程序

1.RGB-D实例

******准备数据************

1)下载TUM数据集

从下面这个链接https://vision.in.tum.de/data/datasets/rgbd-dataset/download下载相关数据集，例如下载rgbd_dataset_freiburg2_pioneer_360.tgz

2）然后解压到你想要解压的位置，这里我把数据集解压在ORB_SLAM2

3）运行RGB-D实例时需要RGBD(depth)图像和RGB图像，因此需要将每一张RGB图像和与之对应的RGBD图像建立关联，用到associate.py文件

*******进行关联操作********

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

注意：

PATH_TO_SEQUENCE即rgb.txt所在目录,在下载的数据集中，这里我的目录如下：

home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360

13 1）associate.py将放在/ORB_SLAM2/Examples/RGB-D/目录下面

2）打开终端，进入associate.py所在目录

3）执行：python associate.py home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360/rgb.txt home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360/depth.txt > associations.txt

注意：这里用的是python2

*********进行测试*********

执行下面命令：

./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUMX.yaml PATH_TO_SEQUENCE_FOLDER ASSOCIATIONS_FILE

其中PATH_TO_SEQUENCE_FOLDER 我下载数据集所在的目录，这里我是放在了ORB_SLAM2工程目录下，即/home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360

ASSOCIATIONS_FILE为生成的associations.txt，给出它的指定位置，这里我把它拷贝到了数据集下面，即/home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360

/associations.txt

然后对应的，先cd ORB_SLAM2工程目录下，我执行：

./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM2.yaml /home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360 /home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360/associations.txt

运行效果：

2.Monocular实例

(1)TUM Dataset
使用上述RGB-D下载的数据集,运行下面的命令：
./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUMX.yaml PATH_TO_SEQUENCE_FOLDER

针对上述命令做如下修改：
将TUMX.yaml修改为TUM1.yaml、TUM2.yaml、TUM3.yaml其中之一
将PATH_TO_SEQUENCE_FOLDER修改为TUM Dataset数据集所在的位置

例如针对我自己而言，进入ORB_SLAM2工程目录下，运行下面命令：
./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml /home/ttwang/ORB_SLAM2/rgbd_dataset_freiburg2_pioneer_360

(2)KITTI Dataset
从链接 http://www.cvlibs.net/datasets/kitti/eval_odometry.php 下载KITTI数据集合，这里我下载的是ground truth poses,并将其解压在ORB_SLAM2工程目录下，解压后的文件夹名为dataset.

使用该数据集，运行下面的命令：
./Examples/Monocular/mono_kitti Vocabulary/ORBvoc.txt Examples/Monocular/KITTIX.yaml PATH_TO_DATASET_FOLDER/dataset/sequences/SEQUENCE_NUMBER

针对上述命令，做如下修改：
将KITTIX.yaml改为 KITTI00-02.yaml、KITTI03.yaml、KITTI04-12.yaml其中之一即可
PATH_TO_DATASET_FOLDER修改为所下载数据集合放置的位置
SEQUENCE_NUMBER修改为00,01,02,...,11.22 
例如针对我自己而言，进入ORB_SLAM2工程目录下，运行下面命令：
./Examples/Monocular/mono_kitti Vocabulary/ORBvoc.txt Examples/Monocular/KITTI00.yaml /home/ttwang/ORB_SLAM2/dataset/sequences/00