orb-slam在众多SLAM方法中处于怎样的地位？
按时间排序
mark下，赞
效果很好，起了个抛砖引玉的作用，可以研究orb究竟好在哪里，不好在哪里，学习吸收，化繁为简。（嗯，其实不需要bundle adjustment，至少不是那么用的）。
（有图有真相，无bundle adjustment 回环）
（有图有真相，无bundle adjustment 回环）ORB里面bug也还是很多，而且过于面向对象了，使得代码反而凌乱。还有些理论上作者理解也有错误，一并在此指出：1. [bug] 初始化如果进入Homography checking，一共有八个数值解，其中两个具有物理意义，在没有先验假设的情况下，是无法区分这两个解对错的。作者假设parallax大的那个为最优解，这是错误的。parallax取决于观察平面的角度，垂直时大（正对着墙），平行时小（行走时平视马路），简单假设大的parallax赢是错误的。正规改法是取第三个frame，三个frame就只有一个物理解。取巧的改法是随机返回两个物理解中的一个，如果不巧是错的，自然tracking不上，重新开始。2. [bug]
行，统计方向有误， int bin = round(rot*factor) 改为: int bin = round(rot/(360*factor));3. [bug] Initializer::checkRT : 890, nGood++ 应该在{} 里面：if(cosParallax&0.99998){vbGood[vMatches12[i].first]=nGood++;}4. 。。。一些代码可以优化的地方，不算bug，不细说了。其它的就涉及到理论和算法流程，这里不详谈。ORB其实就是PTAM的加强版，最大的价值在于：1.证明了mono vision odometry 可行；2. 证明了orb很适合 mono vision odometry。理论上的突破不大，反而过于复杂了。
这段时间都在讨论orb，前面几位大虾也已经说了很多，我就说一些更细节一点的吧，来表达我对这工作的支持。前面@黄耀 师兄和@庞阿困 师兄都已经提到，orb在理论开创性方面远不及ptam，然而orb也绝不仅仅是ptam添加了loop closure模块并替换图像特征为orb而已。它吸收了近几年monoslam领域的很多理论成果，比如逆深度的使用，g2o工具箱的优化等。所以我更赞同@半闲居士 高博的说法，orb是一个系统工程，考虑比较全面。目前看来orb已经算是把vision slam方面能优化的东西都优化到了，比如:关于DBOW模块，不只是用于loop closure时的检测，更大的意义在于在图像帧间匹配时，不使用高维的图像特征描述子进行比对，转而使用词典对描述子进行分类，然后用分类类别进行比对。在他们组之前的论文中已经证明了这种方法的有效性，可以大大简化运算。另一点，orb在每一层估计中都使用了g2o工具箱进行优化，从单帧pose estimation，到局部地图的pose序列，到局部的地图点与pose联合估计，再到利用回环结果的全局pose序列估计。考虑非常全面细致，把能优化的步骤都进行了优化。另外orb的代码写得很漂亮，清晰易懂结构合理，可以学习到很多。当然虽然我是orb的脑残粉，还是深知orb还远未到终点，有几个问题还有待解决。1. 如高博所说，orb所建地图非常稀疏，不仅仅是不好看的问题，而是稀疏的地图对于机器人下一步的应用会造成很大困难。单目没办法像RGBd那样直接获取深度，所以高博使用的稠密建图方法很难在单目摄像头上复用。关于这一点作者的也正在着手解决，主要的思想应该还是用lsd的建图结合orb的定位。不过源码还没放出，拭目以待。2. 速度问题，虽然我觉得作者在速度方面已经绞尽脑汁，倾尽所有，但实际运行的速度依然不容乐观。PC端达到实时的压力不大，但是在嵌入式平台上非常堪忧。我已经把源码移植到安卓下测试，在没做什么平台优化的情况下，帧率约在0.7左右。。3. 巨大的词典。目前orb使用了一个用nearest neighbor方法训练出来的140多m的树状词典。前面已经说过，这个词典在整个orb中至关重要，每次运行前必须载入至内存。在安卓手机上载入的过程长达三分钟，很恼人。4. 系统中有很多magic number，比如特征匹配的阈值，回环图像对比的阈值，都是经验设定，在不同场景下对应值也有所不同。这些数其实可以通过机器学习的方法学习得到。5. deep learning对系统的助力，可以思考。一不小心说了不少，先废话那么多吧。。。
很赞的讨论！
先来张图镇楼IEEE transactions on Robotics 2015 best paper award.够一个学者吹好久的成就。 从原理上而言，中规中矩。所有优化问题全是基于g2o算，特征匹配直接用ORB的描述符，回环检测用BOW。并没有太多学术上的创新，论文里几乎没有什么公式。从工程的角度看，非常适合移植到实际项目。因为，效果好，重现容易，代码结构清晰，命名规范。
前一阵出了orbslam2，提供单目，双目和rgbd接口。加之代码也很整洁，确实是很好的工作。特点是以orb特征贯穿始终，从一开始的特征处理，匹配，以及用于回环的bag-of-words，词典，全用的是orb。下面说说我个人对它的一些看法。
作者从opencv2.4的orb改进了一版，比opencv里的orb多了一个网格处理，尽量保证每小块图像都能提到特征，避免了局部特征点不足的情形。据我个人的测试(Thinkpad T450 i7)，在640x480的图像中提取500orb约用时13ms左右，匹配精度可以接受，满足实时性要求。
相比于lsd-slam，orb-slam更像一个系统工程——采用当前各种主流的方式计算slam。它稳重大方，不像lsd那样追求标新立异。orb-slam基于研究了很久的特征点，使用dbow2库进行回环检测，具备重新定位能力，使用g2o作为global和local的优化，乃至pnp也用g2o来算。从效果而言比lsd优化，代码也比lsd整洁，更适合继续开发。虽说如楼上所言不像ptam那么惊艳（比如slam++名字好听效果好看但是不开源啊），我们做研究毕竟还是效果至上。
个人觉得，orb-slam的动机还是单目slam，用来做双目或rgbd有些不足。至少orb的建图部分只含有稀疏的map point，不管用于机器人还是AR/VR，这无论如何是不够的。如果给它加上一个较好的地图模块，相信会更加受欢迎。
附上我自己的orb-slam2在手持kinect2上的视频，仅供参考：-------------
-----------------优点：回环检测做的很好，基本上只要见过的场景都能找回来。接口丰富，代码清楚。缺点：* kinect2 qhd分辨率下（960x540），默认参数，thinkpad T450，帧率&=10Hz；* 运行前要读取一个几百兆的字典——调试程序的时候比较考验耐心；* 比较容易lost，虽然也容易找回来；* 尼玛为什么不支持地图保存和读取！这个TODO是让我去做吗！这个TODO是让我去做吗！------------ 2016.3 ------------------在kinect部分加了个稠密地图，效果看上去还可以，给做rgbd的同学作个参考：加上地图显示就真的只有10Hz了……这个是自己撸了个点云地图模块上去的orbslam2：还有一个是改了改速度但是精度比较糙的orbslam2：各有各用途吧，糙和精的应该都有人喜欢。
orb-slam综合感觉不错，就是pure rotation容易跟丢，提取特征点少的场景景容易跟丢。lsd速度慢，精度低些，不过因基于gradient，估计对规则纹理的室内和建筑场景有利。svo对于手持拍摄视频不好，作者提供的无人机测试数据还可以。 orb-slam和lsd今年都有新论文可以看看，多个方法各有优劣。对于移动平台，目前单目slam算法的运算和存储要求高，稳定性也还不够。分方向还有stero camera，rgb-d，other sensors combined （imu, gps）等。
关注monoslam也有一段时间了，谈一点不成熟的思考。semidense和dense的slam刚出来的时候感觉很惊艳，但却都陷入同样的一个困境，都是深度估计不准。这个问题不能很好解决一直会被凑出来的feature based的slam压制。semidense计算出深度是角点处一个小patch的平均，然而角点处的深度往往变化剧烈。dense方法计算深度更加困难，由于很多pixel在图像上很相似很难做到精确的帧间匹配，所以很难做到准确。所以究竟利用少量的相对准确的对应点，还是大量的不太准的对应点做slam效果好，我觉得从orbslam的结果已经给出了答案。
整体上支持@庞阿坤的说法。个人觉得客观地讲, orb-slam虽然效果看起来目前最好（我没有在自己数据集上复现），但其文章创新新并不是很大，不如PTAM，整体上感觉是基于PTAM的改进版本。（感觉就是拼出来的）将特征改为ORB，特征提取匹配的计算量减少。增加闭环检测模块，并将其嵌入tracking模块。orb-slam 是目前基于特征的单目slam系统中效果最好的（the state of art), 与之对应的LSD-SLAM是direct-slam中最好的，且不提取图片特征，直接基于pixels；orb-slam论文中，作者一再强调orb-slam比lsd效果好....整体上，orb-slam是一个很赞的单目slam系统，very impressive!
额，这个地位指什么？orbslam 是14-15年被一个西班牙博士做的，目前还在做，最近又发了新文章：Probabilistic Semi-Dense Mapping from Highly Accurate Feature-Based Monocular SLAM。orbslam可以看做是PTAM的一个延伸。ptam想必做visual slam 的都知道，它是第一个将tracking和mapping分成两个线程实现的实时slam系统，07年出来的时候很惊艳。几乎成立后来feature-based slam方法的标准。orbslam 算是这个思路的延伸，于ptam相比它又加了一个loopclosing的线程。这个系统基于ptam，个人感觉效果也更好一些（毕竟ptam相对较老），整合了covisible graph，基于bagofwords 做relocalization等技术。处于什么地位很难讲，虽然创新点不是很多，但是工程上，它是目前最好的。几篇文章都发在机器人或者控制的顶会上了。
已有帐号？
无法登录？
社交帐号登录12311人阅读
1. ORB SLAM简介
&&& 　 ORBSLAM是15年出的比较完备的单目slam算法，orb指的是一种旋转不变性特征，整个算法均是基于orb特征实现的，不同于基于稠密或半稠密地图的slam,orbslam是一个基于特征点地图的slam。最新的orbslam的进展是基于orbslam的关键帧做了半稠密场景重建，新的研究成果可持续关注下面的项目主页：
　　以下为英文介绍：
2. 准备工作
2.1 源码下载
&&&& 　orbslam是基于ros运行的，故先得准备好ubuntu和ros环境，这里就不再赘述了，本文介绍的是基于ubuntu 14.04和ros indigo环境下的orbslam运行事例！
&&&& 首先在项目主页上找到下载链接，将orbslam工程下载至本地
& & && 打开文件夹，可以看到以下内容：
　　首先我们应该关注它的README.txt，里边关于orbslam怎么编译，怎么运行讲得已经很清楚了。当然对于熟悉ros的人很容易啦，但是对于ros小白们可能还是有点费劲的，所以这里会把具体的编译执行，再详细的介绍一遍。
2.2 测试数据集准备
&&&&&& 　　　
&&&&&&&上面的链接为测试数据集的下载链接，可以下下着，比较大了，会很慢。。
& & & &下载完解压　得到Example.bag文件
3. ORB SLAM编译
3.1 依赖库的安装
&&&&&& ORB SLAM依赖于另外两个第三方库g2o（执行图优化的一个通用求解器，这里可以简单理解位姿求解，位姿优化、地图优化就基本上靠它啦)，DBOW库(主要用于place recognition，场景识别，在ORB SLAM中主要用于闭环检测)。这两个库ORB SLAM已经打包在一块了，在ThirdParty文件夹下。
　当然这两个库也是需要依赖其他库的，所以呢，先安装一些其它的库，就按照readme中来就好啦。。。
&&& sudo apt-get install libboost-all-dev
&&& sudo apt-get install libsuitesparse-dev
&&& sudo apt-get install libblas-dev
&&& sudo apt-get install liblapack-dev
&&& sudo apt-get install libeigen3-dev
3.2 第三方库的编译
　上面的库安装好了之后，那么后面就好办了：
　1. 终端进入到g2o文件夹，执行
mkdir build
&&&&& 执行完这四个指令，若没报错就噢啦，对于ＤBOW２同样的道理，到这步还是按照README的第二节介绍的就好啦
&&& 　注意：这里README没有介绍要安装，ORBSLAM是依赖它的，大家不要忘了安装opencv了，下个新版本按照说明装就好了，这里就不在介绍了。
3.3 ORB_SLAM的编译
　 到这里终于到源码的编译了，编译过程与两个第三方库相似，不过还是有些区别的。
　若ORB_SLAM是在你的ros工作空间目录下，可以跳过以下步骤：
　将ORB_SLAM路径加入ROS的环境变量ROS_PACKAGE_PATH中去，
　　执行 export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:(你的ORB_SLAM文件夹绝对路径)
　然后执行
mkdir build
& cd build
& cmake ..
&& & && 正常情况下会没错的，若编译成功，则可以执行下一步了。本人在这一步cmake时报错了，说是找不到opencv2，其实这里直接将文件manifest.xml中 &depend package=&opencv2&/& 删除就好了。
4. 运行程序
　 & &说到运行程序，orbslam是基于ros的，因此首先必须得运行roscore，启动ros服务。随后逐一运行图片显示，地图显示，orb slam主体程序，rosbag图片发布程序。
& & & &关于启动各个程序，无论是ORB本体程序还是可视化程序还是图片发布程序，大致有两种方法：
4.1 逐一手动启动各个程序
& & & (1) 开启新的终端，执行
roscore & #启动ros服务
& & & (2) 开启新的终端，执行
export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:(你的ORB_SLAM文件夹绝对路径)#添加环境变量，如果ORB_SLAM位于ROS工作空间的话，则忽略
rosrun image_view image_view image:=/ORB_SLAM/Frame _autosize:=true
#启动图片查看程序，到时可以看到特征点跟踪情况
& & & & &(3) 打开新的终端，执行
export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:(你的ORB_SLAM文件夹绝对路径)#添加环境变量，如果ORB_SLAM位于ROS工作空间的话，则忽略
rosrun rviz rviz -d Data/rviz.rviz
#启动地图视图窗口，显示轨迹及特征点地图
(4) 打开新的终端，执行&
export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:(你的ORB_SLAM文件夹绝对路径)#添加环境变量，如果ORB_SLAM位于ROS工作空间的话，则忽略
rosrun ORB_SLAM ORB_SLAM Data/ORBvoc.yml Data/Settings.yaml
#运行ORB_SLAM ， 其中ORBvoc.yml需要先解压
(5) 打开新的终端执行，进入Example.bag所在文件夹，执行
rosbag play --pause Example.bag
#执行图片发布程序，执行后，按空格键开始
4.2 使用launch文件启动程序
使用launch文件就比较简单了，ORB_SLAM包中包含两个launch文件，对应不同的ROS版本
& & 根据你的ROS版本，选择对应的launch文件即可，launch文件相当于将上一小节的2,3,4步集成在一块，通过一个脚本文件顺序执行：
& & & &(1) 开启新的终端，执行
roscore & #启动ros服务
& & & (2) 开启新的终端，执行
export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:(你的ORB_SLAM文件夹绝对路径)#添加环境变量，如果ORB_SLAM位于ROS工作空间的话，则忽略
roslaunch ExampleGroovyHydro.launch
(3) 打开新的终端执行，进入Example.bag所在文件夹，执行
rosbag play --pause Example.bag
#执行图片发布程序，执行后，按空格键开始
5. 问题及解决方法
　　前面介绍的仅仅是如何把程序运行起来，然而在运行时使用不同的数据集可能会有一些问题，以下将本人在执行ORB SLAM遇到的问题整理下：
5.1 为什么跑数据集时老是出现跟踪失败？
& & &本人在使用Example.bag时并未出现什么问题，然而在运行自己的数据集时，常常会出现Tracking失败的现象，而且通常是开始时都没问题，运行一段时间后出现的。将数据集中的图片打开感觉前后帧变化不大啊，后来测了一下程序每步执行的时间，稍微看了一下他的代码实现，大致的推论是这样的：
& & &1）. 在用rosbag发布图像时，很多时候都用的30帧每秒的发送速率，然而电脑性能未特别好的情况下，是不能及时处理的，因此读取图像端可能会出现丢帧现象，导致图像不连续，造成跟踪失败；
& & &2）.ORB_SLAM在程序执行时，多个线程共享同一份地图关键帧，造成每个线程可能运行的时间不固定，这个也是导致不能及时处理图片的一个原因吧。
& & &解决方法：一般跑代码的人是先想看看代码的功能性，效率可以作为接下来考量的东西，因此最简单的办法是将rosbag发布的帧率调低或调到很低，具体方法是在使用工具打包时将帧率参数设置为比较小的数值，而不是通常地30帧。
5.2 为什么跑文献中那个kitti最大场景（sequence 00）的结果与文献中给出的不一致？
& & & 可能对于比较小的数据集出现个跟踪失败现象使用将图像发布速度降低的方法能解决一部分问题，然而想跑一个大场景的数据集时，比如说文献中那个比较庞大的数据集时（如下图），发现前面跑的还好，后面咋就还是由于跟踪失败，导致在回到之前到过场景之前地图一直处于丢失状态。
& & & 开始时本人也是相当困惑的，后来一想ORB_SLAM使用的多线程，资源共享机制还有增量式地图会导致两个因素：一是算法时间不稳定，二是对内存的消耗会越来越大，一旦真实的物理内存用尽了，大家都知道Linux会使用交换分区作为内存的扩展空间，这样的话程序的执行效率会降低不少的，后来通过系统监视器发现4G的内存根本就不够他用，最后通过加了个4G内存然后将图片发布速度控制到很低的帧率，慢吞吞的跑完，终于达到作者所描述的效果（看来科研是有一台性能好的电脑还是有优势的）。
5.3 设置自己相机相关参数
& & &当使用自己的数据集时，相机的内参数和畸变参数会有不同，因此可在Data下的Settings.yaml中修改：
& & 本文只是简单的介绍了如何将ORB-SLAM跑起来的步骤，下一篇会逐步介绍本人对于ORB-SLAM算法的理解和自己的一些思考！
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：16966次
排名：千里之外
评论：12条
(1)(1)(3)(1)(2)orb-slam综合感觉不错，就是pure rotation容易跟丢，提取特征点少的场景景容易跟丢。lsd速度慢，精度低些，不过因基于gradient，估计对规则纹理的室内和建筑场景有利。svo对于手持拍摄视频不好，作者提供的无人机测试数据还可以。 orb-slam和lsd今年都有新论文可以看看，多个方法各有优劣。对于移动平台，目前单目slam算法的运算和存储要求高，稳定性也还不够。分方向还有stero camera，rgb-d，other sensors combined （imu, gps）等。
前一阵出了orbslam2，提供单目，双目和rgbd接口。加之代码也很整洁，确实是很好的工作。&br&特点是以orb特征贯穿始终，从一开始的特征处理，匹配，以及用于回环的bag-of-words，词典，全用的是orb。下面说说我个人对它的一些看法。&br&&br&
作者从opencv2.4的orb改进了一版，比opencv里的orb多了一个网格处理，尽量保证每小块图像都能提到特征，避免了局部特征点不足的情形。据我个人的测试(Thinkpad T450 i7)，在640x480的图像中提取500orb约用时13ms左右，匹配精度可以接受，满足实时性要求。&br&&br&
相比于lsd-slam，orb-slam更像一个系统工程——采用当前各种主流的方式计算slam。它稳重大方，不像lsd那样追求标新立异。orb-slam基于研究了很久的特征点，使用dbow2库进行回环检测，具备重新定位能力，使用g2o作为global和local的优化，乃至pnp也用g2o来算。从效果而言比lsd优化，代码也比lsd整洁，更适合继续开发。虽说如楼上所言不像ptam那么惊艳（比如slam++名字好听效果好看但是不开源啊），我们做研究毕竟还是效果至上。&br&&br&
个人觉得，orb-slam的动机还是单目slam，用来做双目或rgbd有些不足。至少orb的建图部分只含有稀疏的map point，不管用于机器人还是AR/VR，这无论如何是不够的。如果给它加上一个较好的地图模块，相信会更加受欢迎。&br&&br&&br&&br&
附上我自己的orb-slam2在手持kinect2上的视频，仅供参考：&br&&a class=& external& href=&///?target=http%3A///s/1eRcyW1s& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/s/1eRcyW1&/span&&span class=&invisible&&s&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&img data-rawheight=&471& data-rawwidth=&834& src=&/a59b1358055acf7dc0f96e_b.png& class=&origin_image zh-lightbox-thumb& width=&834& data-original=&/a59b1358055acf7dc0f96e_r.png&&&br&-------------
-----------------&br&优点：回环检测做的很好，基本上只要见过的场景都能找回来。接口丰富，代码清楚。&br&缺点：&br&* kinect2 qhd分辨率下（960x540），默认参数，thinkpad T450，帧率&=10Hz；&br&* 运行前要读取一个几百兆的字典——调试程序的时候比较考验耐心；&br&* 比较容易lost，虽然也容易找回来；&br&* 尼玛为什么不支持地图保存和读取！&br&&img data-rawheight=&211& data-rawwidth=&719& src=&/3cec31fdeb79e015e992ce_b.png& class=&origin_image zh-lightbox-thumb& width=&719& data-original=&/3cec31fdeb79e015e992ce_r.png&&这个TODO是让我去做吗！&br&&br&------------ 2016.3 ------------------&br&在kinect部分加了个稠密地图，效果看上去还可以，给做rgbd的同学作个参考：&br&加上地图显示就真的只有10Hz了……&br&这个是自己撸了个点云地图模块上去的orbslam2：&br&&a href=&///?target=http%3A///s/1hrbW840& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/s/1hrbW84&/span&&span class=&invisible&&0&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&还有一个是改了改速度但是精度比较糙的orbslam2：&br&&a href=&///?target=http%3A///s/1skdGeIT& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/s/1skdGeI&/span&&span class=&invisible&&T&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&各有各用途吧，糙和精的应该都有人喜欢。
前一阵出了orbslam2，提供单目，双目和rgbd接口。加之代码也很整洁，确实是很好的工作。 特点是以orb特征贯穿始终，从一开始的特征处理，匹配，以及用于回环的bag-of-words，词典，全用的是orb。下面说说我个人对它的一些看法。 作者从opencv2.4的orb改进了…
额，这个地位指什么？&br&orbslam 是14-15年被一个西班牙博士做的，目前还在做，最近又发了新文章：&b&Probabilistic Semi-Dense Mapping from Highly Accurate Feature-Based Monocular SLAM。&/b&&br&&b&orbslam可以看做是PTAM的一个延伸。ptam想必做visual slam 的都知道，它是第一个将tracking和mapping分成两个线程实现的实时slam系统，07年出来的时候很惊艳。几乎成立后来feature-based slam方法的标准。orbslam 算是这个思路的延伸，于ptam相比它又加了一个loopclosing的线程。&/b&&br&&b&这个系统基于ptam，个人感觉效果也更好一些（毕竟ptam相对较老），整合了covisible graph，基于bagofwords 做relocalization等技术。&/b&&br&&b&处于什么地位很难讲，虽然创新点不是很多，但是工程上，它是目前最好的。几篇文章都发在机器人或者控制的顶会上了。&/b&
额，这个地位指什么？ orbslam 是14-15年被一个西班牙博士做的，目前还在做，最近又发了新文章：Probabilistic Semi-Dense Mapping from Highly Accurate Feature-Based Monocular SLAM。 orbslam可以看做是PTAM的一个延伸。ptam想必做visual slam 的都知道…
已有帐号？
无法登录？
社交帐号登录
being geek视觉SLAM实战（二）：ORB-SLAM2 with Kinect2 – 半闲居士 | 查问题
汇聚最新编程技术，编程问题一网打尽
& 视觉SLAM实战（二）：ORB-SLAM2 with Kinect2 – 半闲居士
视觉SLAM实战（二）：ORB-SLAM2 with Kinect2 – 半闲居士
[ 分类： ]
【摘要】本讲展现了orbslam2在kinect2上的表现。