本文介紹2018年的一篇基於深度學習,同時具有稠密地圖的視覺SLAM------Dynslam.

標題:Robust Dense Mapping for Large-Scale Dynamic Environments

按照github上的編譯,下面介紹編譯過程中的其它錯誤和解決方案:

(1)安裝nvidia-docker2:

    1:docker-ce安裝(由於我在直接安裝nvidia-docker2時報錯,說是這個沒有安裝,那就先裝一下吧O_O):         # step 1: 安裝必要的一些系統工具         sudo apt-get update         sudo apt-get -y install apt-transport-https ca-certificates curl software-properties-common         # step 2: 安裝GPG證書         curl -fsSL http://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | sudo apt-key add -         # Step 3: 寫入軟體源資訊         sudo add-apt-repository "deb [arch=amd64] http://mirrors.aliyun.com/docker-ce/linux/ubuntu $(lsb_release -cs) stable"         # Step 4: 更新並安裝 Docker-CE         sudo apt-get -y update         sudo apt-get -y install docker-ce

        # 安裝指定版本的Docker-CE:(沒試過)         # Step 1: 查詢Docker-CE的版本:         # apt-cache madison docker-ce         #   docker-ce | 17.03.1~ce-0~ubuntu-xenial | http://mirrors.aliyun.com/docker-ce/linux/ubuntu xenial/stable amd64 Packages         #   docker-ce | 17.03.0~ce-0~ubuntu-xenial | http://mirrors.aliyun.com/docker-ce/linux/ubuntu xenial/stable amd64 Packages         # Step 2: 安裝指定版本的Docker-CE: (VERSION 例如上面的 17.03.1~ce-0~ubuntu-xenial)         # sudo apt-get -y install docker-ce=[VERSION]     2:獲取許可權(可以避免使用docker時新增sudo):         sudo groupadd docker     #新增docker使用者組         sudo gpasswd -a $USER docker     #將登陸使用者加入到docker使用者組中         newgrp docker     #更新使用者組         docker ps    #測試docker命令是否可以使用sudo正常使用     3:安裝校驗:         docker version     4:安裝nvidia-docker2("\"表示換行):         docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f         sudo apt-get purge -y nvidia-docker

        curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | \         sudo apt-key add -

        distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

        curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | \         sudo tee /etc/apt/sources.list.d/nvidia-docker.list

        sudo apt-get update

        sudo apt-get install -y nvidia-docker2         sudo pkill -SIGHUP dockerd     5:測試:         docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi

第五步由於時間太長,我就沒有測試了O_O

(2)編譯Pangolin

1:編譯出現-fPIC之類的錯誤的話,我的原因是安裝python3時沒有設定這個選項,重新安裝python3

./configure --prefix=/usr/local/ CFLAGS=-fPIC 
make
make install

就不會報錯了.

2:編譯時如果出現examples和tools檔案編譯錯誤,註釋掉CMakeLists裡面的內容就行,不影響.

#if(BUILD_EXAMPLES)
  #set(Pangolin_DIR ${Pangolin_BINARY_DIR}/src)
  #add_subdirectory(examples)
  #add_subdirectory(tools)
#endif()

(3)程式碼編譯:

(4)執行:

bash mkdir -p csv

./build/DynSLAMGUI --use_dispnet --dataset_root=data/mini-seq-06 --dataset_type=kitti-odometry

出現錯誤cudaSafeCall() Runtime API error : 2 | out of memory,原因可能是記憶體不夠

我的解決方法是:搜尋ITMLocalVBA.h,強制設定blockSize大小為64

ITMLocalVBA(MemoryDeviceType memoryType, int noBlocks, int blockSize)
{
	this->memoryType = memoryType;

	blockSize = 64;//強制改變

	allocatedSize = noBlocks * blockSize;

	printf("Building local VBA for storing the active map. noBlocks = %d, blockSize = %d\n",noBlocks, blockSize);
	voxelBlocks = new ORUtils::MemoryBlock<TVoxel>(allocatedSize, memoryType);
	allocationList = new ORUtils::MemoryBlock<int>(noBlocks, memoryType);
}

然後找到ITMLibDefines.h,設定如下:

#define SDF_BLOCK_SIZE 4				// SDF block size
#define SDF_BLOCK_SIZE3 64				// SDF_BLOCK_SIZE3 = SDF_BLOCK_SIZE * SDF_BLOCK_SIZE * SDF_BLOCK_SIZE

然後編譯執行就可以跑起來了,下面效果圖:

還不錯,哈哈,以上只是我遇到的情況,在此祝大家都能成功!!!!!