RealCat

论文全称：ORB-SLAM3：An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM.

首先回顾一下历史：ORB-SLAM首次在2015年被提出，它的改进版ORB-SLAM2在2017年被提出，同年提出了ORB-SLAM-VI，时隔3年，ORB-SLAM3横空出世，朋友圈、学术群里到处都在热议这个挂在ARXIV才不到3天的论文。好奇心的驱使下，本人偷瞄了一下论文，就在这里总结一下吧。

论文, Code Github, Code国内镜像, SLAM资源站

对于经常刷Github的同学而言，是否会经常遇到图片加载不出来/GitHub访问慢等情况？反正我是经常遇到！为了解决这个问题，削微寒公布了解决方案：修改本机hosts，无需安装任何程序。下面是详细说明以及使用方法（修改自项目README）。

国内访问论文预发布平台arxiv巨慢无比，让人闹心！网上找了一个很好用的方法，按照这个方法配置之后arxiv就秒开了。原理就是将arxiv重定向到xxx.itp.ac.cn（中科院理论物理研究所镜像）。 如果此时你找到了一篇文章，地址是arxiv.org/abs/1911.11763，只需要把arxiv.org换成xxx.itp.ac.cn即可。但每次都手动配置就很麻烦，为了贯彻将懒惰进行到底的精神，我们需要将上述过程自动化。配置如下：

SVD分解就是一种矩阵拆解术，它能够把任意矩阵\(A \in \mathbb{R}^{m \times n}\)拆解成3个矩阵的乘积形式，即：

\[ A = U \Sigma V^T \]

其中，\(U \in \mathbb{R}^{m \times m}\)，\(V \in \mathbb{R}^{n \times n}\)都是正交矩阵，即\(U^T U = I, V^T V = I\)，即列向量是正交的单位向量，\(U\)称为left single vectors，\(V\)称为right single vectors；\(\Sigma \in \mathbb{R}^{m \times n}\)的对角阵（奇异值），奇异值\(\geq 0\)且按照顺序降序排列。

MIT Gilbert Strang 教授对 SVD 讲解得很清晰，如下:

今天讲一篇关于利用SVD方法求解ICP问题的文献《Least-Squares Rigid Motion Using SVD》，这篇文章非常精彩地推导出将\(3D\)点对齐问题的解析解，同时总结了求解该问题的统一范式。

PNP即“Perspective-N-Points”，是求解 3D 到 2D 点对运动的方法。它描述了当我们知道n个3D空间点以及它们在图像上的位置时，如何估计相机所在的位姿。PnP 问题有很多种求解方法，例如用三对点估计位姿的 P3P（通常需要额外一个点进行验证结果），直接线性变换（DLT），EPnP（Efficient PnP，已知内参时用），UPnP（内参未知时用） 等等）。此外，还能用非线性优化的方式，构建最小二乘问题并迭代求解，也就是万金油式的 Bundle Adjustment。

可以说整个重定位就是一个精心设计的解算当前帧位姿的模块，秉持着不抛弃不放弃的精神，ORB-SLAM的作者简直把特征匹配压榨到了极致，仿佛在说“小伙子你有很多匹配点的，不要放弃，我们优化一下位姿再找找匹配点呗”。