1、整体框架
1.1 Tracking 模块 处理传感器信息并实时计算当前帧在激活地图中的姿态。同时该模块也决定了是否将当前帧作为关键帧。在视觉-惯性模式下，通过在优化中加入惯性残差来估计刚体速度和 IMU 偏差。当追踪丢失时，tracking 线程会尝试在 Atlas 地 图中重定位当前帧。若重定位成功，恢复追踪，并在需要的时候切换激活地图。若一段时间后仍未激活成功，该激活地图会被存储为未激活地图，并重新初始化一个新的激活地图。 
1.2 Local mapping 模块 加入关键帧和地图点到当前激活地图，删除冗余帧，并通过对当前帧的附近关键帧操作，利用视觉 BA 或视觉-惯性 BA 技术来优化地图。此外，在惯性模式下，mapping 线程会利用最大后验估计(MAP)技术来初始化和优化 IMU 参数。
1.3 Loop and map merging 模块 每当加入一个新的关键帧，该线程在激活地图和整个 Atlas 地图中检测公共区域。如果该公共区域属于激活地图，它就会执行回环校正；如果该公共区域属 于其他地图，就会把它们融合为一个地图，并把这个融合地图作为新的激活地图。在回环校正以后，一个独立线程就会进行全局 BA，进一步优化地图，同时并不影 响实时性能。
1.4 Atlas 模块 一个由一系列离散地图组成的多子图系统。它会维护一个激活地图，用于tracking 线程对当前帧的定位，同时 local mapping 线程会利用新的关键帧信 息持续对该地图优化和更新。在 Atlas 中的其它地图被称为未激活地图。该系统基于词袋模型对关键帧信息建立数据库，用于重定位、闭环检测和地图融合。
2、IMU 和 Camera 数据融合获取位姿数据的过程,IMU 虽然可以测得角速度和加速度，但这些量都存在明显的漂移，使得积分 两次得到的位姿数据非常不可靠。但是，短时间内的快速运动，IMU 能够提供一 些较好的估计，这正是相机的弱点。当运动过快时，相机会出现运动模糊，或者 两帧之间重叠区域太少以至于无法进行特征匹配，所以纯视觉 SLAM 非常害怕快 速的运动。而有了 IMU，即使在相机数据无效的那段时间内，我们也能保持一个较好的位姿估计，这是纯视觉 SLAM 无法做到的。相比于 IMU，相机数据基本不 会有漂移，所以相机数据可以有效的估计并修正 IMU 读数中的漂移，使得在慢速运动后的位姿估计依然有效。当图像发生变化时，本质上我们没法知道是相机自 身发生了运动，还是外界条件发生了变化，所以纯视觉 SLAM 难以处理动态的障 碍物。而 IMU 能够感受到自己的运动信息，从某种程度上减轻动态物体的影响。主要流程如下>
(1) 利用相机和 IMU 分别进行图像采集和惯性数据采集，且 IMU 的采集频率大于 相机的采集频率； (2) 提取相机获取的每一帧图像的特征点，然后提取特征点的描述子（ORB-SLAM 采用），匹配特征点；此处，还可以采用光流追踪的方法； (3) 对 IMU 得到的多组 IMU 数据进行预积分，计算出两帧图像对应的 IMU 位置和 速度；
(4) IMU 初始化（讲解 ORB-SLAM3 采用的方法）,这一步的目的是获取 IMU 参数较好的初始值：速度、重力以及 Bias。 1> Vision-Only
采用 ORB-SLAM 经典框架纯视觉初始化流程，按照关键帧速率 4Hz 持续运行2s，然后我们可以得到按比例缩放的地图，包括 10 个关键帧以及上百个地图点，然后通过 Visual-Only BA 进行优化。 2> Inertial-Only
这一步目的是获得 IMU 参数最优估计。利用前述单目视觉 SLAM 初始化后稳 定运行的数据，以及这些关键帧之间的 IMU 测量，包括：尺度因子、重力方 向、IMU 传感器偏置参数、关键帧的无尺度速度。这些 IMU 测量放在一起构 成状态向量，构建优化问题求解。一旦惯性优化完成，帧的姿态、速度以及 3D 地图点就会以估计的尺度进行缩放，同时旋转以使 z 轴与估计的重力方向对齐。
3> Visual-Inertial 一旦视觉以及 IMU 有了较好的估计后，进行一个联合优化进一步对这些参数进行精化。 (5) 结合上面得到的惯性残差和视觉残差，视觉-惯性 SLAM 可以看作是基于关键帧的最小化问题。在后期中，基于下式进行计算优化。 
在 tracking 过程中，只优化最后两帧的位姿，同时保持地图点固定。在mapping 过程中，为了解决全图优化问题，若图的规模比较大就会比较棘手。ORB-SLAM3 采用了滑动窗口思想，把关键帧及其地图点的滑动窗口作为优化变量。
3、ORB-SLAM3 的基于特征点的 tracking 模块的优缺点，改善的机会点或方向
首先，ORB-SLAM3 视觉前端做法采用特征点提取+描述子匹配特征点的方式。因为有描述子，所以对地图的维护很方便（包括重定位、闭环、全局优化）。尤其是对室内环境，当视觉上共视关系较多的时候，这种方法能很大程度上提高定 位精度和局部稳定性。但这种方式也有缺点，每帧图像都要提取特征点数量的描述子，比较浪费时间。在 tarcking 过程中，如果运动过快（图像出现模糊），比较容易 tracking loss。此外，纯视觉 ORB-SLAM3 严重依赖特征点的提取与匹配 效果，在如纹理缺失的环境下运行会无法得到足够多的稳定匹配点对，此时光束平差法缺乏足够多的输入信息，无法有效地修正位姿偏差。基于这点，有很多人 也有不同的方法，还有一个主流方法是，特征点提取+光流跟踪的方式。采用这种方式tracking 要鲁棒一些，但这种方式不容易构建全局 map，同时在闭环和重定位阶段也需要另外提取特征点和描述子。同时，visual-inertial ORB- SLAM3 通过引入 IMU 来约束和修正特征缺失带来的偏差，得到尺度信息，在一定程度上解决了过度依赖严重依赖特征点问题。
ORB-SLAM3 引入了 Atlas 系统，在 tracking 过程中，如果跟丢了，可以利用当前帧查询 Atlas DBoW 数据库。这个查询可以利用所有先验信息，在所有地图 中找相似的关键帧。一旦有了候选关键帧，地图和匹配的地图点就可以进行重定位，极大提升性能，增大鲁棒性。
个人认为，ORB-SLAM3 此次更新的一大变化就是引入了 Atlas 地图，相当于 开辟了一条新的方向。当前由于只是第一个版本，所以在这方面的改进空间还有 很大，可以在这个方向做一些研究。同时 IMU 相比于 camera，有很多互补优势， 如何让 IMU 和 camera 更好的结合，发挥更好的效果，也是可以研究改进的点。IMU 初始化也有很多不足，采用一个更好的方法进行 IMU 初始化，也是一个可以改进的点。
