---

• 概述
• 安装
• 教程
• 在线文档
• 贡献于 gradslam

概述

gradslam 是一个完全可微分的稠密 SLAM 框架。它提供了一个用于构建稠密 SLAM 系统的可微分模块库，例如可微分的非线性最小二乘求解器、可微分的 ICP（迭代最近点）算法、可微分的光线投射模块以及可微分的地图构建/融合模块。用户可以利用这些模块来构建 SLAM 系统，使得梯度可以从系统的输出（地图、轨迹）一直传递到输入（原始彩色/深度图像、参数、标定等）。

rgbdimages = RGBDImages(colors, depths, intrinsics)
slam = PointFusion()
pointclouds, recovered_poses = slam(rgbdimages)
pointclouds.plotly(0).show()

安装

要求

• pytorch>=1.6.0（对于其他版本的 PyTorch，请参阅 此处）

使用 pip（实验性）

pip install gradslam

从 GitHub 安装

pip install 'git+https://github.com/gradslam/gradslam.git'

从本地克隆安装（推荐）

git clone https://github.com/krrish94/chamferdist.git
cd chamferdist
pip install .
cd ..
git clone https://github.com/gradslam/gradslam.git
cd gradslam
pip install -e .[dev]

验证安装

要验证 gradslam 是否已成功构建，请启动 Python 解释器并导入：

import gradslam as gs
print(gs.__version__)

您应该会看到版本号被打印出来。

引用 gradslam

如果您在工作中发现 gradslam 很有用，并且正在撰写关于我们的报告或论文，我们非常感谢您能引用我们。请使用以下 BibTeX 条目。

@inproceedings{gradslam,
  title={gradSLAM: Dense SLAM meets automatic differentiation},
  author={{Krishna Murthy}, Jatavallabhula and Saryazdi, Soroush and Iyer, Ganesh and Paull, Liam},
  booktitle={arXiv},
  year={2020},
}

贡献者

• Soroush Saryazdi
• Krishna Murthy Jatavallabhula
• Ganesh Iyer

GradSLAM 快速上手指南

GradSLAM 是一个完全可微分的稠密 SLAM（同步定位与建图）框架。它提供了一系列可微分的构建模块（如非线性最小二乘求解器、ICP、光线投射和地图融合模块），允许梯度从系统输出（地图、轨迹）一直反向传播到输入（原始 RGB-D 图像、参数、标定数据等）。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux 或 macOS (Windows 支持可能受限，建议优先使用 Linux)
• Python: 推荐 Python 3.7+
• 核心依赖:
  • pytorch >= 1.6.0 (需预先安装与您的 CUDA 版本匹配的 PyTorch)
• 其他工具: git, pip

注意：为了获得最佳性能，请确保已正确安装 NVIDIA 驱动程序和 CUDA 工具包。

安装步骤

推荐通过克隆本地仓库的方式进行安装，以确保所有依赖项（特别是 chamferdist）正确配置。

1. 安装前置依赖库 (chamferdist)

GradSLAM 依赖 chamferdist 库，需先手动安装：

git clone https://github.com/krrish94/chamferdist.git
cd chamferdist
pip install .
cd ..

(国内用户若克隆速度慢，可尝试使用 Gitee 镜像或配置 git 代理)

2. 克隆并安装 GradSLAM

git clone https://github.com/gradslam/gradslam.git
cd gradslam
pip install -e .[dev]

提示：如果仅需基础功能而不需要开发模式，也可运行 pip install -e .。若网络受限，可配置 pip 使用国内镜像源（如清华源）： pip install -e .[dev] -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 验证安装

启动 Python 解释器并运行以下代码，若输出版本号则说明安装成功：

import gradslam as gs
print(gs.__version__)

基本使用

以下是最简单的使用示例，展示如何加载 RGB-D 数据并运行 PointFusion 算法进行建图和位姿估计。

from gradslam import RGBDImages, PointFusion

# 假设 colors, depths, intrinsics 已经准备好 (Tensor 格式)
# rgbdimages = RGBDImages(colors, depths, intrinsics) 
# 此处仅为逻辑示意，实际使用时需传入具体的张量数据

# 初始化 PointFusion 模型
slam = PointFusion()

# 执行 SLAM 流程
# pointclouds: 生成的点云地图
# recovered_poses: 恢复的相机轨迹
pointclouds, recovered_poses = slam(rgbdimages)

# 可视化第一帧的点云结果 (需要 plotly 支持)
pointclouds.plotly(0).show()

核心流程说明：

1. 数据封装：将颜色图、深度图和内参矩阵封装为 RGBDImages 对象。
2. 模型初始化：实例化具体的 SLAM 算法类（如 PointFusion）。
3. 前向传播：调用模型处理数据，由于框架是可微分的，此过程支持自动求导。
4. 结果输出：获取稠密点云地图和相机位姿序列。

更多详细教程和 API 文档请访问 GradSLAM 官方文档。