本代码在PC端Ubuntu18.04和rv1126嵌入式板子中的Linux系统上均通过测试。
代码的编译和运行环境支持x86-64架构和ARM32架构。
程序所依赖的第三方库需要使用者自行安装，编译 其中，运行在嵌入式端的程序需要借助交叉编译工具链（gcc-linaro-6.3.1-2017.05-x86_64_arm-linux-gnueabihf）来进行编译
PC端和嵌入式端共同使用的库：
- opencv 3.4.5版本带contrib
- Eigen3
- PCL 1.8（features, filters, segmentation, octree, search, sample_consensus, kdtree, common, ml）
- Boost 1.65.0(嵌入式端用的1.75.0)
- Sophus
- Thirdparty/g2o
- Thirdparty/DBow3
PC端独有的库：
- PCL所有库文件(包含了可视化部分)
- Pangolin（用于可视化）
嵌入式端独有的库：
- RKNN
- RGA
- DRM
CMakelists.txt文件中设置了两种不同的编译模式，分别对应于PC端和嵌入式端的编译环境
- 若在PC端进行编译，system_frame设置为"Linux64"
- 若在嵌入式端进行编译， system_frame设置为"ARM32"
除此之外，需要在CMakelists.txt文件中修改上述所有第三方库的搜索路径
备注：
- 嵌入式端的程序需要在PC端编译完成后，将所有程序依赖的动态库文件上传至嵌入式端
- 可利用"adb push 本地源文件路径 嵌入式端目标路径"来上传本地文件至嵌入式端；可利用"adb pull 嵌入式端文件路径 本地目标路径"来拉取嵌入式端文件至本地
- PC端默认将可执行文件保存在YOUR_PATH/sweepSLAM/bin目录下，若路径不一致则需在运行时进行修改
- 嵌入式端默认将可执行文件保存在/data/ttt，将所有配置文件保存在/data/ttt/initial，将库文件存放在两个文件夹，分别为/data/ttt/lib/dep_libs/和/pcl_libs/目录下，若路径不一致则需在运行时进行修改
- config_on_rv1126文件夹为嵌入式端的所有配置文件，可一并上传
# PC端：
cd YOUR_PATH/sweepSLAM/bin
./sweeper_robot ../config/robot/sweeper_config.yaml
# 嵌入式端：
cd /data/ttt/
LD_LIBRARY_PATH=/data/ttt/lib/dep_libs/:/pcl_libs/ ./sweeper_robot ./initial/sweeper_config.yaml
数据集：/10_200s/文件夹 SLAM模块可以选择逐帧运行（默认方式），也可以选择在已有数据集的基础上模拟实时运行的状态得到结果。
# PC端：
cd YOUR_PATH/sweepSLAM/bin
./stereo_odo_3 ../config/robot/robot_orb_stereo_new.yaml
# 嵌入式端：
cd /data/ttt/
LD_LIBRARY_PATH=/data/ttt/lib/dep_libs/:/pcl_libs/ ./stereo_odo_3 ./initial/robot_orb_stereo_new.yaml
cd /YOUR_PROJECT_PATH/sweepSLAM/evaluation/liegroups && pip install . && cd ..
python3 eval_self.py --est_path /YOUR_SAVE_PATH/orb3_stereo_slam.txt --gt_path ../config/gt/vicon_10.txt --end_time 1601012055.929288- evo
- numpy,scipy,matplotlib
- 仅用于可视化,不用于计算精确度,可以不安装
- 因为后期超过了vicon的范围,所以不能评估全部轨迹
- 轨迹评估标准是当前误差比上以走路程,单位百分比：
- trans error mean: xxx
- trans error median: xxx
- rot error mean: xxx
- rot error median: xxx
数据集：/10_200s/文件夹
# PC端：
cd YOUR_PATH/sweepSLAM/bin
./main_direction_detection ../config/robot/main_direction_detector.yaml
# 嵌入式端：
cd /data/ttt/
LD_LIBRARY_PATH=/data/ttt/lib/dep_libs/:/pcl_libs/ ./main_direction_detection ./initial/main_direction_detector.yaml
主方向识别只在初期运行,得到主方向之后就停止运行。主方向识别利用房间中和房间垂直的直线信息,要求运行期间机器人运动尽量平稳,可以有一些旋转运动. 运行后，结果保存在save_path下的main_direction_result.txt文件中。 各列表示：
(1) 用于主方向识别的50帧中第一帧的时间戳；
(2) 房间主方向相对于相机的角度值；
(3) 置信度；
真实值通过vicon测量得到，保存在/YOUR_PROJECT_PATH/sweepSLAM/evaluation/main_direction_detection_result/目录下的main_direction_gt.txt文件中，可通过时间戳将检测结果和真实值对应和比较。
数据集：/exp0702/文件夹
# PC端：
cd YOUR_PATH/sweepSLAM/bin
./object_detector ../config/robot/object_detector.yaml
# 嵌入式端：
cd /data/ttt/
LD_LIBRARY_PATH=/data/ttt/lib/dep_libs/:/pcl_libs/ ./object_detector ./ini
tial/object_detector.yaml
物体检测结果存放于save_path下的object_det_matlab_sgbm.txt， 一行表示一个识别到的物体，各列分别表示：
(1) 帧序号
(2) 该帧yolo检测到的物体数量
(3) 该物体类别序号
(4) 该物体世界坐标系下x、y、z坐标(m)
(5) 该物体宽w(m)；
(6) 该物体高h(m)。
python3 /YOUR_PROJECT_PATH/sweepSLAM/evaluation/object_det_eval/eval_two_dimension.py /YOUR_PROJECT_PATH/sweepSLAM/evaluation/obj_boxes_result/ obj_boxes.txt识别精确度输出如下,前四行分别输出四种物体各自的识别成功个数,总个数,识别精确度,最后一行输出总的识别精确度。
////////////////classification result//////////////////
Precision:
Object True Positive Total Images(TP+FP) Precision
Badminton: xxx xxx xxx
Wire: xxx xxx xxx
Mahjong: xxx xxx xxx
Dog Shit: xxx xxx xxx
Total Average: xxx xxx xxx
- 注意：词典训练在PC端进行，重定位程序可在PC端ubuntu系统或嵌入式开发板上运行，可对重定位精度进行验证
- 数据集/01/、/02/、/03/文件夹，以下所有指令中需要手动修改YOUR_PATH以及YOUR_PATH/dataset/（存放/01/、/02/、/03/文件夹的目录）
- 利用一个序列进行词典训练(训练点线词典)，训练数据集：/03/文件夹
# PC端训练：
cd YOUR_PATH/to_YX_PC/executable
./feature_training YOUR_PATH/dataset/
-
在当前目录生成点词典 robot_vocab_pt.yml.gz
-
在当前目录生成线词典 robot_vocab_line.yml.gz
-
利用另外两个序列进行重定位,用于测试成功率，测试数据集：/01/、/02/文件夹
# PC端：
cd YOUR_PATH/to_YX_PC/executable
./relocalization YOUR_PATH/dataset/
# 嵌入式端：
LD_LIBRARY_PATH=/data/ttt/lib/dep_libs/:/pcl_libs/ /data/ttt/eval YOUR_PATH/dataset/
-
在当前目录生成结果 result_dbow_pl.txt, 每行第一个是当前图片序号,后面是按相似程度排序的重定位图片序号结果
-
这一步运行时间较长
-
测试成功率
cd YOUR_PATH/pyeval(PC端与嵌入式端均使用该测试方法)
python generate_dataset.py --path YOUR_PATH/dataset/
- 用vicon数据生成重定位真值,认为旋转小于15度,平移小于0.2m是在相同地点
- 生成真值文件test_positive_15_0.2.txt
- 请把之前生成的result_dbow_pl.txt复制到当前文件夹
python generate_dataset.py --path YOUR_PATH/dataset/ --test
- 每一行,例如50 97.4854338188727,代表,对于数据集中的一张图片,我们的算法找出的前50个最相似的结果都是对的,则记该张图片成功,统计整个数据集上的成功率.
- 成功率影响因素:
- 可以适当调小树深度;
- 训练词典时尽量挑选有代表性图片,例如关键帧,而不是所有图片
- 成功率影响因素: