SongShuangfu

Hi @TINY-KE, according to your video, It seems all objects are localized on the ground. Actually, cube detection module depends on a strong assumption that all objects shall be on...

hey 兄弟，请问你的这个数据集是自己采集室内数据集吗？单目视觉slam有两个特点，一是尺度不确定性，即无法确定绝对尺度，二是误差累积造成的尺度漂移。 第一个问题可以通过给定先验值的办法解决，比如cubeslam中提到利用相机高度，并且检测出的object position/dimension都依赖于相机高度提供的尺度信息（前提是检测的object必须位于地面上，即**ground object**，不知道你的数据集是否满足这个条件） 第二个问题解决起来就比较困难了，因为即使第一帧提供了真实相机高度，仍然无法避免后续的误差累计造成尺度漂移，比如你的地图size越来越小，传统方法几乎只有回环矫正这一种。据我所知，cubeslam有两种抵抗尺度漂移的方案，并且都是针对KITTI数据集（其它自动驾驶数据集理论上也可以）。 + 第一种是给object dimension设定先验值，每次检测到新的车辆对象后用先验值更新它的尺寸，最终这个尺寸可以反映在local optimization中，维持整个地图的尺度。 + 第二个方案是为了弥补车辆对象过少的情况，利用相机高度值不断矫正尺度，详见 (Tracking.cc/CreateNewKeyframe)。 + 总结：cubeslam在室外的优化效果更好，室内一般不具有ground object和锚定高度相机的配置，因此效果可能不是那么好。 *** Hey bro, your own dataset is indoor right? Mono visual slam has two...

+ 我猜测关键帧堆积与地图尺寸变小有可能是一个原因：相机旋转的时候，图像重叠度小，插入关键帧比较多是正常的([ref](https://www.cnblogs.com/yepeichu/p/10784265.html))。并且在相机旋转大，平移小的情况下，单目slam容易发生运动退化，三角化所需的视差小，精度差，整体优化的时候更容易发生尺度漂移，也就是你所看到的map size变小了。 也许你在控制机器人的时候转弯平滑一些，转弯角小一些可以缓解这个问题。 + cuebslam在理论上并不是大物体的时候表现更好，如果你可以在小尺度数据集上也充分利用到object size和相机高度先验信息，也可以达到相当的效果。只是cubeslam在KITTI上完成了这个工作（毕竟KITTI中主要的object就是车辆，object size比较好统计）。 + 据我所知，orbslam+odom的工作是已经有的了，加入IMU或者直接用双目相机都算有意义的工作，不过这就和单目slam不是同一赛道了。

hi @shichaoy !Thanks for your reply! It help me a lot! I think I get your point about camera axis setup. I should transform it and try again. BTW I...

> you can create a new environment and install qhull first `conda install qhull==2019.1` then install pclpy `conda install -c conda-forge -c davidcaron pclpy` Thank you @yqmy0814 It works! I...

Sorry to tell you that this project is no longer maintained. You can refer to this project [quadric_gtsam](https://github.com/best-of-acrv/gtsam-quadrics)

把缺少的依赖包装上即可。。