纯小白Ubuntu20.04系统从零运行ORBSLAM3

前阵子安装ORBSLAM3，怕自己后面还需要，写一个过程当作自我备忘，如果能帮到其他人那就更好了

文章目录

**纯小白Ubuntu20.04系统从零运行ORBSLAM3**安装Ubuntu20.04配置环境新系统的一些准备安装git安装vi编辑器安装gcc、g++安装cv_bridge

安装opencv安装依赖项下载opencv4.2安装opencv查看版本号

安装各种库安装EIGEN库安装Pangolin库安装Boost库

安装ORBSLAM3下载ORBSLAM3修改文件

测试数据集下载EuRoC数据集运行EuRoC数据集下载RGBD-TUM数据集运行RGBD-TUM数据集

安装Ubuntu20.04

有很多教程这里就不展开了。

配置环境

新系统的一些准备

安装git

如果是新系统需要先安装git，在终端执行以下指令：

<code>sudo apt-get install git

安装vi编辑器

如果是新系统需要先安装vi编辑器，在终端执行以下指令：

sudo apt-get remove vim-common

sudo apt-get install vim

安装gcc、g++

sudo apt-get install gcc

sudo apt-get install g++

安装cv_bridge

在终端执行以下指令：

sudo apt-get install libopencv-dev

sudo apt-get install ros-noekit-cv-bridge

安装opencv

安装依赖项

在终端执行以下指令：

sudo apt-get install build-essential libgtk2.0-dev libgtk-3-dev libavcodec-dev libavformat-dev libjpeg-dev libswscale-dev libtiff5-dev

sudo apt install python3-dev python3-numpy

sudo apt install libgstreamer-plugins-base1.0-dev libgstreamer1.0-dev

sudo apt install libpng-dev libopenexr-dev libtiff-dev libwebp-dev

下载opencv4.2

在官网(https://opencv.org/releases/page/3/)将下载的opencv4.2解压至主目录，命名应该是opencv-4.2.0

安装opencv

在终端执行以下指令：

<code>cd opencv-4.2.0

mkdir build

cd build

cmake -D CMAKE_BUILD_TYPE=Release -D OPENCV_GENERATE_PKGCONFIG=YES ..

make

sudo make install

查看版本号

在终端执行以下指令：

pkg-config --modversion opencv4

终端应该会返回4.2.0，代表安装成功

安装各种库

安装EIGEN库

在终端执行以下指令：

sudo apt-get install libeigen3-dev

安装Pangolin库

下载Pangolin0.6，解压到主目录，重命名为Pangolin

在终端执行以下指令安装依赖项：

sudo apt-get install libglew-dev libboost-dev libboost-thread-dev libboost-filesystem-dev

sudo apt-get install ffmpeg libavcodec-dev libavutil-dev libavformat-dev libswscale-dev libpng-dev

在终端执行以下指令编译安装：

cd Pangolin

mkdir build && cd build

cmake -DCPP11_NO_BOOST=1 ..

make

再在终端执行以下指令：

sudo make install

再在终端执行以下指令进行验证：

cd ../examples/HelloPangolin

mkdir build && cd build

cmake ..

再在终端执行以下指令：

make

./HelloPangolin

如果成功会弹出窗口，一个立方体

安装Boost库

在官网http://www.boost.org/users/download/下载boost_1_77_0.tar.gz

解压后在终端执行以下指令进行安装：

tar -xvf boost_1_77_0.tar.gz

cd ./boost_1_77_0

./bootstrap.sh

sudo ./b2 install

安装ORBSLAM3

下载ORBSLAM3

在终端执行以下指令：

git clone https://github.com/electech6/ORB_SLAM3_detailed_comments.git

下载完成后重命名为ORB-SLAM3

修改文件

首先在orbslam3文件夹下打开CMakeLists.txt

找到find_package(OpenCV 3.2)，把版本号3.2改成自己的版本，也就是4.2。

再找到find_package(Eigen3 3.1.0 REQUIRED)，把版本号3.1.0删掉。

然后进入Thirdparty→DBoW2，打开CMakeLists.txt，找到find_package(OpenCV 3.2 QUIET)，把版本号改成自己的版本，也就是4.2。

随后进入Examples→Monocular，打开mono_euroc.cc文件，把第83行的false改成true。（这一步是为了程序运行时能显示可视化窗口）

而后在ORB-SLAM3文件夹下右键打开终端执行以下指令刷新配置：

<code>chmod +x build.sh

./build.sh

测试数据集

下载EuRoC数据集

EuRoC数据集下载网址：

https://projects.asl.ethz.ch/datasets/doku.php?id=kmavvisualinertialdatasets

在ORB-SLAM3文件夹下新建一个datasets文件夹，在datasets文件夹下新建一个MH01文件夹，打开kmavvisualinertialdatasets – ASL Datasets下载ASL Dataset Format列表下的Machine Hall 01数据集，将下载后的mav0文件拷贝到上文中新建的MH01文件夹中

（其他数据集参考https://blog.csdn.net/m0_60355964/article/details/125995064这篇文章）

运行EuRoC数据集

在ORB-SLAM3文件夹下右键打开终端执行以下指令：

./Examples/Monocular/mono_euroc ./Vocabulary/ORBvoc.txt ./Examples/Monocular/EuRoC.yaml ./datasets/MH01 ./Examples/Monocular/EuRoC_TimeStamps/MH01.txt dataset-MH01_mono

运行效果如下：

下载RGBD-TUM数据集

RGBD-TUM数据集下载网址: https://vision.in.tum.de/data/datasets/rgbd-dataset/download

将下载的数据解压缩到ORBSLAM3文件夹中，以rgbd_dataset_freiburg3_walking_xyz为例。

下载配准文件associate.py

下载网址：https://cvg.cit.tum.de/data/datasets/rgbd-dataset/tools

或者自己在/ORB_SLAM3/Examples/RGB-D目录里面创建一个associate.py，将以下代码粘贴进去。

<code>import argparse

import sys

import os

import numpy

def read_file_list(filename):

"""

Reads a trajectory from a text file.

File format:

The file format is "stamp d1 d2 d3 ...", where stamp denotes the time stamp (to be matched)

and "d1 d2 d3.." is arbitary data (e.g., a 3D position and 3D orientation) associated to this timestamp.

Input:

filename -- File name

Output:

dict -- dictionary of (stamp,data) tuples

"""

file = open(filename)

data = file.read()

lines = data.replace(","," ").replace("\t"," ").split("\n")

#if remove_bounds:

# lines = lines[100:-100]

list = [[v.strip() for v in line.split(" ") if v.strip()!=""] for line in lines if len(line)>0 and line[0]!="#"]

list = [(float(l[0]),l[1:]) for l in list if len(l)>1]

return dict(list)

def associate(first_list, second_list,offset,max_difference):

"""

Associate two dictionaries of (stamp,data). As the time stamps never match exactly, we aim

to find the closest match for every input tuple.

Input:

first_list -- first dictionary of (stamp,data) tuples

second_list -- second dictionary of (stamp,data) tuples

offset -- time offset between both dictionaries (e.g., to model the delay between the sensors)

max_difference -- search radius for candidate generation

Output:

matches -- list of matched tuples ((stamp1,data1),(stamp2,data2))

"""

first_keys = list(first_list.keys())

second_keys = list(second_list.keys())

potential_matches = [(abs(a - (b + offset)), a, b)

for a in first_keys

for b in second_keys

if abs(a - (b + offset)) < max_difference]

potential_matches.sort()

matches = []

for diff, a, b in potential_matches:

if a in first_keys and b in second_keys:

first_keys.remove(a)

second_keys.remove(b)

matches.append((a, b))

matches.sort()

return matches

if __name__ == '__main__':

# parse command line

parser = argparse.ArgumentParser(description='''code>

This script takes two data files with timestamps and associates them

''')

parser.add_argument('first_file', help='first text file (format: timestamp data)')code>

parser.add_argument('second_file', help='second text file (format: timestamp data)')code>

parser.add_argument('--first_only', help='only output associated lines from first file', action='store_true')code>

parser.add_argument('--offset', help='time offset added to the timestamps of the second file (default: 0.0)',default=0.0)code>

parser.add_argument('--max_difference', help='maximally allowed time difference for matching entries (default: 0.02)',default=0.02)code>

args = parser.parse_args()

first_list = read_file_list(args.first_file)

second_list = read_file_list(args.second_file)

matches = associate(first_list, second_list,float(args.offset),float(args.max_difference))

if args.first_only:

for a,b in matches:

print("%f %s"%(a," ".join(first_list[a])))

else:

for a,b in matches:

print("%f %s %f %s"%(a," ".join(first_list[a]),b-float(args.offset)," ".join(second_list[b])))

在ORBSLAM3文件夹中打开终端执行以下指令：

python3 ./Examples/RGB-D/associate.py ./rgbd_dataset_freiburg3_walking_xyz/rgb.txt ./rgbd_dataset_freiburg3_walking_xyz/depth.txt >./rgbd_dataset_freiburg3_walking_xyz/associations.txt

就可以得到示例数据集的associations.txt

运行RGBD-TUM数据集