讲解关于slam一系列文章汇总链接:史上最全slam从零开始，针对于本栏目讲解的(01)ORB-SLAM2源码无死角解析链接如下(本文内容来自计算机视觉life ORB-SLAM2 课程课件): (01)ORB-SLAM2源码无死角解析-(00)目录_最新无死角讲解：https://blog.csdn.net/weixin_43013761/article/details/123092196 文末正下方中心提供了本人 联系方式， 点击本人照片即可显示 W X → 官方认证 {\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式，\color{blue}点击本人照片即可显示WX→官方认证} 文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→官方认证
一、前言在上一篇博客中，为大家讲解了 Optimizer::PoseOptimization→仅位姿优化，同时还分享了几篇g2o(图优化)博客，这篇博客讲 Optimizer::LocalBundleAdjustment，其在局部建图线程中被调，即 src/LocalMapping.cc 文件中 LocalMapping::Run() 函数。
首先需要明白，优化的目标是→局部关键帧的位姿与地图点。如下图所示： 
需要优化的的目标就是红色椭圆中的当前KF位姿、KF的地图点、能够观测到KF地图点的关键帧(称为一级相邻关键帧)。Optimizer::LocalBundleAdjustment 实现于于 src/Optimizer.cc 文件。核心要点介绍如下：
/*
* @brief Local Bundle Adjustment
*
* 1. Vertex:
* - g2o::VertexSE3Expmap()，LocalKeyFrames，即当前关键帧的位姿、与当前关键帧相连的关键帧的位姿
* - g2o::VertexSE3Expmap()，FixedCameras，即能观测到LocalMapPoints的关键帧（并且不属于LocalKeyFrames）的位姿，在优化中这些关键帧的位姿不变
* - g2o::VertexSBAPointXYZ()，LocalMapPoints，即LocalKeyFrames能观测到的所有MapPoints的位置
* 2. Edge:
* - g2o::EdgeSE3ProjectXYZ()，BaseBinaryEdge
* + Vertex：关键帧的Tcw，MapPoint的Pw
* + measurement：MapPoint在关键帧中的二维位置(u,v)
* + InfoMatrix: invSigma2(与特征点所在的尺度有关)
* - g2o::EdgeStereoSE3ProjectXYZ()，BaseBinaryEdge
* + Vertex：关键帧的Tcw，MapPoint的Pw
* + measurement：MapPoint在关键帧中的二维位置(ul,v,ur)
* + InfoMatrix: invSigma2(与特征点所在的尺度有关)
*
* @param pKF KeyFrame
* @param pbStopFlag 是否停止优化的标志
* @param pMap 在优化后，更新状态时需要用到Map的互斥量mMutexMapUpdate
* @note 由局部建图线程调用,对局部地图进行优化的函数
*/
这里可以看到，这里定义使用的是 g2o::EdgeSE3ProjectXYZ() 、 EdgeStereoSE3ProjectXYZ()，其为二元边，上一篇博客 g2o::EdgeSE3ProjectXYZOnlyPose() 、g2o::EdgeStereoSE3ProjectXYZOnlyPose 为一元边，是不一样的。因为这里每条边(上图中的红线)都需要连接两个顶点，其顶点类型分别为 VertexSBAPointXYZ，VertexSE3Expmap。
二、顶点上面已经提到，Optimizer::LocalBundleAdjustment 是有两种类型顶点需要优化，即 VertexSE3Expmap 与 VertexSBAPointXYZ，分别对应于 pKF(当前关键帧) 的一级相邻关键帧位姿，一级相邻关键帧能观测到的所有关键点。
VertexSE3Expmap该顶点上一篇博客有详细的讲解，其继承于 BaseVertex，类定义如下：
class VertexSE3Expmap : public BaseVertex{}
......
参数6→SE3Quat类型为六维，三维旋转，三维平移。 参数SE3Quat →该类型旋转在前，平移在后，注意：类型内部使用的其实是四元数，不是李代数。
VertexSBAPointXYZ首先在 Thirdparty\g2o\g2o\types\types_sba.h 文件中，可以找到类定义代码如下：
class VertexSBAPointXYZ : public BaseVertex{}
......
参数3→地图点为3三维坐标 参数Vector3d→空间点位置(地图点节点)为 Vector3d 类型
在添加 VertexSBAPointXYZ 类型顶点时，会使用到其中的 setMarginalized(true) 函数， 需要将所有的三维点边缘化掉，以便稀疏化求解。简单的说G2O 中对路标点设置边缘化(Point->setMarginalized(true))是为了 在计算求解过程中，先消去路标点变量，实现先求解相机位姿，然后再利用求解出来的相机位姿，反过来计算路标点的过程，目的是为了加速求解，并非真的将路标点给边缘化掉。
三、二元边与之前一样，边的定义与用法相比于顶点更加复杂一些，前面提到 Optimizer::LocalBundleAdjustment 中需要使用到二元边 g2o::EdgeSE3ProjectXYZ() 、 EdgeStereoSE3ProjectXYZ()。他们的原理基本与用法基本是一致的，一个为单目，一个为双目，实现原理比较相近，这里只对 g2o::EdgeSE3ProjectXYZ() 进行讲解，代码实现于 Thirdparty\g2o\g2o\types\types_six_dof_expmap.cpp 文件中，先来看其继承关系：
EdgeSE3ProjectXYZ::EdgeSE3ProjectXYZ() : BaseBinaryEdge() {}
......
参数D(2)：测量值(ORB特征点)的维度，有x,y轴像素坐标，所以为2 参数E(Vector2d)：测量值的数据类型。 参数VertexXi(VertexSBAPointXYZ)：边连接第一个顶点的类型。 参数VertexXj(VertexSE3Expmap)：边连接第二个顶点的类型。 注意：VertexX、VertexXj 是继承自BaseVertex等基础类的类！不是顶点的数据类。
通过一系列博客的学习，已经只要边中有两个比较重要的函数，分别为 virtual void computeError()、 virtual void linearizeOplus()。先来看看 virtual void computeError()，其代码实现如下：
void computeError() {
const VertexSE3Expmap* v1 = static_cast(_vertices[1]);
const VertexSBAPointXYZ* v2 = static_cast(_vertices[0]);
Vector2d obs(_measurement);
_error = obs-cam_project(v1->estimate().map(v2->estimate()));
}
这里我粘贴一下上一篇博客中 EdgeSE3ProjectXYZOnlyPose 的 computeError() 函数如下：
void computeError() {
const VertexSE3Expmap* v1 = static_cast(_vertices[0]);
Vector2d obs(_measurement);
_error = obs-cam_project(v1->estimate().map(Xw));
}
可以看到其是十分相近的，v1 都表示顶点(关键帧)。v2 与 Xw 都是地图点，只是 v2 以顶点的形式进行表示了。总而言之：
v1->estimate().map(v2->estimate());
v1->estimate().map(Xw);
实现的功能是一样的，就是把世界坐标系下的地图点，变换 v1(关键帧) 的相机坐标系下。然后再通过 cam_project 投影到像素坐标系上，最后在计算误差，即误差 = 关键点像素坐标(观测)- 地图点投影到关键点附近像素坐标(投影)。
那么接下来就是 virtual void linearizeOplus() 函数了，其同样实现于 Thirdparty\g2o\g2o\types\types_six_dof_expmap.cpp 文件中，搜索 void EdgeSE3ProjectXYZ::linearizeOplus() 即可。该内容已经在上篇博客中进行了详细分析，所以就不再重复了。
四、源码逻辑
在讲解了顶点与边的相关内容之后，再来看 Optimizer::LocalBundleAdjustment 实现流程，就十分简单了：
( 01 ) ： \color{blue} (01)： (01)： 首先获得局部关键帧lLocalKeyFrames，主要包含：当前关键帧 KF、能够观测到 KF 地图点的所有关键帧，也就是一级相邻关键帧。然后获得局部关键帧所有地图点 lLocalMapPoints，不重复。
( 02 ) ： \color{blue} (02)： (02)： 构造g2o优化器，选择列文伯格-马夸尔特算法(LM)算法，BlockSolver_6_3表示：位姿 _PoseDim 为6维，路标点 _LandmarkDim 是3维，设置外界优化停止标志 optimizer.setForceStopFlag(pbStopFlag);
( 03 ) ： \color{blue} (03)： (03)： 添加待优化的位姿顶点→局部关键帧的位姿。另外设置不需要优化的位姿顶点，对于能够看到局部关键帧地图点，但是其又不是局部关键帧的位姿，设置为 setFixed(pKFi->mnId==0)，不参与优化。那么不优化为啥也要添加？回答：为了增加约束信息
( 04 ) ： \color{blue} (04)： (04)： 遍历所有的局部地图点 ，为每个地图点 pMP 创建一个顶点 g2o::VertexSBAPointXYZ* vPoint，同时设置边 id = pMP->mnId+maxKFid+1。
( 05 ) ： \color{blue} (05)： (05)： 获得能够观测到地图地图点 pMP 的所有局部关键帧，为地图点 pMP 与 每个局部关键帧创建一条二元边 g2o::EdgeSE3ProjectXYZ* e。
( 06 ) ： \color{blue} (06)： (06)： 为二元边设置好连接的两个顶点， 第零个顶点是地图点，第二个顶点是观测到该地图点的关键帧，只是信息矩阵，也就是这条边的权重，权重为特征点所在图像金字塔的层数的倒数。另外还需要使用鲁棒核函数抑制外点，并且设置好相机内参。
( 07 ) ： \color{blue} (07)： (07)： 开始BA前再次确认是否有外部请求停止优化，分成两个阶段开始优化。第一阶段优化迭代5次，如果有外部请求停止,那么就不在进行第二阶段的优化。
( 08 ) ： \color{blue} (08)： (08)： 进行二阶段优化，根据卡方检验，如果当前边误差超出阈值，或者边链接的地图点深度值为负，说明这个边有问题，不优化了。第二阶段优化的时候就属于精求解了,所以就不使用核函数。排除误差较大的outlier后再次优化 ，即第二阶段优化，迭代10次。
( 09 ) ： \color{blue} (09)： (09)： 在二阶段优化后重新计算误差，剔除连接误差比较大的关键帧和地图点。更新关键帧位姿以及地图点的位置、平均观测方向等属性。
五、源码注释
源码位于 src/Optimizer.cc 文件中
/*
* @brief Local Bundle Adjustment
*
* 1. Vertex:
* - g2o::VertexSE3Expmap()，LocalKeyFrames，即当前关键帧的位姿、与当前关键帧相连的关键帧的位姿
* - g2o::VertexSE3Expmap()，FixedCameras，即能观测到LocalMapPoints的关键帧（并且不属于LocalKeyFrames）的位姿，在优化中这些关键帧的位姿不变
* - g2o::VertexSBAPointXYZ()，LocalMapPoints，即LocalKeyFrames能观测到的所有MapPoints的位置
* 2. Edge:
* - g2o::EdgeSE3ProjectXYZ()，BaseBinaryEdge
* + Vertex：关键帧的Tcw，MapPoint的Pw
* + measurement：MapPoint在关键帧中的二维位置(u,v)
* + InfoMatrix: invSigma2(与特征点所在的尺度有关)
* - g2o::EdgeStereoSE3ProjectXYZ()，BaseBinaryEdge
* + Vertex：关键帧的Tcw，MapPoint的Pw
* + measurement：MapPoint在关键帧中的二维位置(ul,v,ur)
* + InfoMatrix: invSigma2(与特征点所在的尺度有关)
*
* @param pKF KeyFrame
* @param pbStopFlag 是否停止优化的标志
* @param pMap 在优化后，更新状态时需要用到Map的互斥量mMutexMapUpdate
* @note 由局部建图线程调用,对局部地图进行优化的函数
*/
void Optimizer::LocalBundleAdjustment(KeyFrame *pKF, bool* pbStopFlag, Map* pMap)
{
// 该优化函数用于LocalMapping线程的局部BA优化
// Local KeyFrames: First Breadth Search from Current Keyframe
// 局部关键帧
list lLocalKeyFrames;
// Step 1 将当前关键帧及其共视关键帧加入局部关键帧
lLocalKeyFrames.push_back(pKF);
pKF->mnBALocalForKF = pKF->mnId;
// 找到关键帧连接的共视关键帧（一级相连），加入局部关键帧中
const vector vNeighKFs = pKF->GetVectorCovisibleKeyFrames();
for(int i=0, iend=vNeighKFs.size(); imnBALocalForKF = pKF->mnId;
// 保证该关键帧有效才能加入
if(!pKFi->isBad())
lLocalKeyFrames.push_back(pKFi);
}
// Local MapPoints seen in Local KeyFrames
// Step 2 遍历局部关键帧中(一级相连)关键帧，将它们观测的地图点加入到局部地图点
list lLocalMapPoints;
// 遍历局部关键帧中的每一个关键帧
for(list::iterator lit=lLocalKeyFrames.begin() , lend=lLocalKeyFrames.end(); lit!=lend; lit++)
{
// 取出该关键帧对应的地图点
vector vpMPs = (*lit)->GetMapPointMatches();
// 遍历这个关键帧观测到的每一个地图点，加入到局部地图点
for(vector::iterator vit=vpMPs.begin(), vend=vpMPs.end(); vit!=vend; vit++)
{
MapPoint* pMP = *vit;
if(pMP)
{
if(!pMP->isBad()) //保证地图点有效
// 把参与局部BA的每一个地图点的 mnBALocalForKF设置为当前关键帧的mnId
// mnBALocalForKF 是为了防止重复添加
if(pMP->mnBALocalForKF!=pKF->mnId)
{
lLocalMapPoints.push_back(pMP);
pMP->mnBALocalForKF=pKF->mnId;
}
} // 判断这个地图点是否靠谱
} // 遍历这个关键帧观测到的每一个地图点
} // 遍历 lLocalKeyFrames 中的每一个关键帧
// Fixed Keyframes. Keyframes that see Local MapPoints but that are not Local Keyframes
// Step 3 得到能被局部地图点观测到，但不属于局部关键帧的关键帧(二级相连)，这些二级相连关键帧在局部BA优化时不优化
list lFixedCameras;
// 遍历局部地图中的每个地图点
for(list::iterator lit=lLocalMapPoints.begin(), lend=lLocalMapPoints.end(); lit!=lend; lit++)
{
// 观测到该地图点的KF和该地图点在KF中的索引
map observations = (*lit)->GetObservations();
// 遍历所有观测到该地图点的关键帧
for(map::iterator mit=observations.begin(), mend=observations.end(); mit!=mend; mit++)
{
KeyFrame* pKFi = mit->first;
// pKFi->mnBALocalForKF!=pKF->mnId 表示不属于局部关键帧，
// pKFi->mnBAFixedForKF!=pKF->mnId 表示还未标记为fixed（固定的）关键帧
if(pKFi->mnBALocalForKF!=pKF->mnId && pKFi->mnBAFixedForKF!=pKF->mnId)
{
// 将局部地图点能观测到的、但是不属于局部BA范围的关键帧的mnBAFixedForKF标记为pKF（触发局部BA的当前关键帧）的mnId
pKFi->mnBAFixedForKF=pKF->mnId;
if(!pKFi->isBad())
lFixedCameras.push_back(pKFi);
}
}
}
// Setup optimizer
// Step 4 构造g2o优化器
g2o::SparseOptimizer optimizer;
g2o::BlockSolver_6_3::LinearSolverType * linearSolver;
linearSolver = new g2o::LinearSolverEigen();
g2o::BlockSolver_6_3 * solver_ptr = new g2o::BlockSolver_6_3(linearSolver);
// LM大法好
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg(solver_ptr);
optimizer.setAlgorithm(solver);
// 外界设置的停止优化标志
// 可能在 Tracking::NeedNewKeyFrame() 里置位
if(pbStopFlag)
optimizer.setForceStopFlag(pbStopFlag);
// 记录参与局部BA的最大关键帧mnId
unsigned long maxKFid = 0;
// Set Local KeyFrame vertices
// Step 5 添加待优化的位姿顶点：局部关键帧的位姿
for(list::iterator lit=lLocalKeyFrames.begin(), lend=lLocalKeyFrames.end(); lit!=lend; lit++)
{
KeyFrame* pKFi = *lit;
g2o::VertexSE3Expmap * vSE3 = new g2o::VertexSE3Expmap();
// 设置初始优化位姿
vSE3->setEstimate(Converter::toSE3Quat(pKFi->GetPose()));
vSE3->setId(pKFi->mnId);
// 如果是初始关键帧，要锁住位姿不优化
vSE3->setFixed(pKFi->mnId==0);
optimizer.addVertex(vSE3);
if(pKFi->mnId>maxKFid)
maxKFid=pKFi->mnId;
}
// Set Fixed KeyFrame vertices
// Step 6 添加不优化的位姿顶点：固定关键帧的位姿，注意这里调用了vSE3->setFixed(true)
// 不优化为啥也要添加？回答：为了增加约束信息
for(list::iterator lit=lFixedCameras.begin(), lend=lFixedCameras.end(); lit!=lend; lit++)
{
KeyFrame* pKFi = *lit;
g2o::VertexSE3Expmap * vSE3 = new g2o::VertexSE3Expmap();
vSE3->setEstimate(Converter::toSE3Quat(pKFi->GetPose()));
vSE3->setId(pKFi->mnId);
// 所有的这些顶点的位姿都不优化，只是为了增加约束项
vSE3->setFixed(true);
optimizer.addVertex(vSE3);
if(pKFi->mnId>maxKFid)
maxKFid=pKFi->mnId;
}
// Set MapPoint vertices
// Step 7 添加待优化的局部地图点顶点
// 边的最大数目 = 位姿数目 * 地图点数目
const int nExpectedSize = (lLocalKeyFrames.size()+lFixedCameras.size())*lLocalMapPoints.size();
vector vpEdgesMono;
vpEdgesMono.reserve(nExpectedSize);
vector vpEdgeKFMono;
vpEdgeKFMono.reserve(nExpectedSize);
vector vpMapPointEdgeMono;
vpMapPointEdgeMono.reserve(nExpectedSize);
vector vpEdgesStereo;
vpEdgesStereo.reserve(nExpectedSize);
vector vpEdgeKFStereo;
vpEdgeKFStereo.reserve(nExpectedSize);
vector vpMapPointEdgeStereo;
vpMapPointEdgeStereo.reserve(nExpectedSize);
// 自由度为2的卡方分布，显著性水平为0.05，对应的临界阈值5.991
const float thHuberMono = sqrt(5.991);
// 自由度为3的卡方分布，显著性水平为0.05，对应的临界阈值7.815
const float thHuberStereo = sqrt(7.815);
// 遍历所有的局部地图点
for(list::iterator lit=lLocalMapPoints.begin(), lend=lLocalMapPoints.end(); lit!=lend; lit++)
{
// 添加顶点：MapPoint
MapPoint* pMP = *lit;
g2o::VertexSBAPointXYZ* vPoint = new g2o::VertexSBAPointXYZ();
vPoint->setEstimate(Converter::toVector3d(pMP->GetWorldPos()));
// 前面记录maxKFid的作用在这里体现
int id = pMP->mnId+maxKFid+1;
vPoint->setId(id);
// 因为使用了LinearSolverType，所以需要将所有的三维点边缘化掉
vPoint->setMarginalized(true);
optimizer.addVertex(vPoint);
// 观测到该地图点的KF和该地图点在KF中的索引
const map observations = pMP->GetObservations();
// Set edges
// Step 8 在添加完了一个地图点之后, 对每一对关联的地图点和关键帧构建边
// 遍历所有观测到当前地图点的关键帧
for(map::const_iterator mit=observations.begin(), mend=observations.end(); mit!=mend; mit++)
{
KeyFrame* pKFi = mit->first;
if(!pKFi->isBad())
{
const cv::KeyPoint &kpUn = pKFi->mvKeysUn[mit->second];
// 根据单目/双目两种不同的输入构造不同的误差边
// Monocular observation
// 单目模式下
if(pKFi->mvuRight[mit->second]mnId)));
e->setMeasurement(obs);
// 权重为特征点所在图像金字塔的层数的倒数
const float &invSigma2 = pKFi->mvInvLevelSigma2[kpUn.octave];
e->setInformation(Eigen::Matrix2d::Identity()*invSigma2);
// 使用鲁棒核函数抑制外点
g2o::RobustKernelHuber* rk = new g2o::RobustKernelHuber;
e->setRobustKernel(rk);
rk->setDelta(thHuberMono);
e->fx = pKFi->fx;
e->fy = pKFi->fy;
e->cx = pKFi->cx;
e->cy = pKFi->cy;
// 将边添加到优化器，记录边、边连接的关键帧、边连接的地图点信息
optimizer.addEdge(e);
vpEdgesMono.push_back(e);
vpEdgeKFMono.push_back(pKFi);
vpMapPointEdgeMono.push_back(pMP);
}
else // Stereo observation
{
// 双目或RGB-D模式和单目模式类似
Eigen::Matrix obs;
const float kp_ur = pKFi->mvuRight[mit->second];
obs setVertex(1, dynamic_cast(optimizer.vertex(pKFi->mnId)));
e->setMeasurement(obs);
const float &invSigma2 = pKFi->mvInvLevelSigma2[kpUn.octave];
Eigen::Matrix3d Info = Eigen::Matrix3d::Identity()*invSigma2;
e->setInformation(Info);
g2o::RobustKernelHuber* rk = new g2o::RobustKernelHuber;
e->setRobustKernel(rk);
rk->setDelta(thHuberStereo);
e->fx = pKFi->fx;
e->fy = pKFi->fy;
e->cx = pKFi->cx;
e->cy = pKFi->cy;
e->bf = pKFi->mbf;
optimizer.addEdge(e);
vpEdgesStereo.push_back(e);
vpEdgeKFStereo.push_back(pKFi);
vpMapPointEdgeStereo.push_back(pMP);
}
}
} // 遍历所有观测到当前地图点的关键帧
} // 遍历所有的局部地图中的地图点
// 开始BA前再次确认是否有外部请求停止优化，因为这个变量是引用传递，会随外部变化
// 可能在 Tracking::NeedNewKeyFrame(), mpLocalMapper->InsertKeyFrame 里置位
if(pbStopFlag)
if(*pbStopFlag)
return;
// Step 9 分成两个阶段开始优化。
// 第一阶段优化
optimizer.initializeOptimization();
// 迭代5次
optimizer.optimize(5);
bool bDoMore= true;
// 检查是否外部请求停止
if(pbStopFlag)
if(*pbStopFlag)
bDoMore = false;
// 如果有外部请求停止,那么就不在进行第二阶段的优化
if(bDoMore)
{
// Check inlier observations
// Step 10 检测outlier，并设置下次不优化
// 遍历所有的单目误差边
for(size_t i=0, iend=vpEdgesMono.size(); iisBad())
continue;
// 基于卡方检验计算出的阈值（假设测量有一个像素的偏差）
// 自由度为2的卡方分布，显著性水平为0.05，对应的临界阈值5.991
// 如果 当前边误差超出阈值，或者边链接的地图点深度值为负，说明这个边有问题，不优化了。
if(e->chi2()>5.991 || !e->isDepthPositive())
{
// 不优化
e->setLevel(1);
}
// 第二阶段优化的时候就属于精求解了,所以就不使用核函数
e->setRobustKernel(0);
}
// 对于所有的双目的误差边也都进行类似的操作
for(size_t i=0, iend=vpEdgesStereo.size(); iisBad())
continue;
// 自由度为3的卡方分布，显著性水平为0.05，对应的临界阈值7.815
if(e->chi2()>7.815 || !e->isDepthPositive())
{
e->setLevel(1);
}
e->setRobustKernel(0);
}
// Optimize again without the outliers
// Step 11：排除误差较大的outlier后再次优化 -- 第二阶段优化
optimizer.initializeOptimization(0);
optimizer.optimize(10);
}
vector vToErase;
vToErase.reserve(vpEdgesMono.size()+vpEdgesStereo.size());
// Check inlier observations
// Step 12：在优化后重新计算误差，剔除连接误差比较大的关键帧和地图点
// 对于单目误差边
for(size_t i=0, iend=vpEdgesMono.size(); iisBad())
continue;
// 基于卡方检验计算出的阈值（假设测量有一个像素的偏差）
// 自由度为2的卡方分布，显著性水平为0.05，对应的临界阈值5.991
// 如果 当前边误差超出阈值，或者边链接的地图点深度值为负，说明这个边有问题，要删掉了
if(e->chi2()>5.991 || !e->isDepthPositive())
{
// outlier
KeyFrame* pKFi = vpEdgeKFMono[i];
vToErase.push_back(make_pair(pKFi,pMP));
}
}
// 双目误差边
for(size_t i=0, iend=vpEdgesStereo.size(); iisBad())
continue;
if(e->chi2()>7.815 || !e->isDepthPositive())
{
KeyFrame* pKFi = vpEdgeKFStereo[i];
vToErase.push_back(make_pair(pKFi,pMP));
}
}
// Get Map Mutex
unique_lock lock(pMap->mMutexMapUpdate);
// 删除点
// 连接偏差比较大，在关键帧中剔除对该地图点的观测
// 连接偏差比较大，在地图点中剔除对该关键帧的观测
if(!vToErase.empty())
{
for(size_t i=0;iEraseMapPointMatch(pMPi);
pMPi->EraseObservation(pKFi);
}
}
// Recover optimized data
// Step 13：优化后更新关键帧位姿以及地图点的位置、平均观测方向等属性
//Keyframes
for(list::iterator lit=lLocalKeyFrames.begin(), lend=lLocalKeyFrames.end(); lit!=lend; lit++)
{
KeyFrame* pKF = *lit;
g2o::VertexSE3Expmap* vSE3 = static_cast(optimizer.vertex(pKF->mnId));
g2o::SE3Quat SE3quat = vSE3->estimate();
pKF->SetPose(Converter::toCvMat(SE3quat));
}
//Points
for(list::iterator lit=lLocalMapPoints.begin(), lend=lLocalMapPoints.end(); lit!=lend; lit++)
{
MapPoint* pMP = *lit;
g2o::VertexSBAPointXYZ* vPoint = static_cast(optimizer.vertex(pMP->mnId+maxKFid+1));
pMP->SetWorldPos(Converter::toCvMat(vPoint->estimate()));
pMP->UpdateNormalAndDepth();
}
}
六、结语
通过该篇博客的讲解，了解了 g2o::VertexSE3Expmap()、g2o::VertexSE3Expmap()、g2o::VertexSBAPointXYZ()、g2o::EdgeSE3ProjectXYZ()、g2o::EdgeStereoSE3ProjectXYZ()。知道了 Optimizer::LocalBundleAdjustment→局部建图位姿与地图点优化 的具体详细过程。下篇博客要讲解的就是Optimizer::OptimizeSim3() //闭环线程Sim3变换优化。
本文内容来自计算机视觉life ORB-SLAM2 课程课件
