SEAMLESS MAP MERGING in ORBSLAM-Atlas
为了检测地图的合并，我们使用ORBSLAM的place recognition阶段。它对由共视图连接的三个关键帧进行重复的位置识别，以减少错误检测的风险。
下面介绍SEAMLESS MAP MERGING的流程，我们使用a、s、m三个子索引分别指代活动的（active）、被吞噬的（swallowed ）和合并的（merged ）地图。
- 检测两张地图之间的共同区域。place recognition提供了两个匹配的关键帧$K_a$和$K_s$，以及两个地图$M_a$和$M_s$中地图点之间的假定匹配。
- 估计两张地图之间的变换矩阵。在双目模式下需要估计欧式变换矩阵$SE(3)$，而在单目模式需要估计相似变换矩阵$Sim(3)$。我们结合了Horn的方法[1]和RANSAC算法，从地图$M_a$和$M_s$中地图点之间的假定匹配中计算出一个初始估计，我们将估计的变换矩阵应用于关键帧$K_s$的引导性匹配阶段，我们在关键帧$K_s$中匹配地图$M_a$中的点，通过对重投影误差进行非线性优化，最终估计出$T_{W_a,W_s}$。
- 融合两张地图。我们将$T_{W_a,W_s}$应用于所有关键帧和地图$M_S$中的点，然后，我们检测重复的地图点并将其融合，从而得到从地图$M_s$和$M_a$的关键帧观察到的地图点。 之后，我们将地图$M_s$和$M_a$的所有关键帧和地图点合并到地图$M_m$中。此外，我们将地图$M_s$和$M_a$的生成树和共视图合并为地图$M_m$的生成树和共视图。
- 在连接区域进行局部BA。连接区域包括地图$M_m$的共视图中与关键帧$K_a$共视的所有关键帧。为了固定测量的自由度，地图$M_a$中固定的关键帧在局部BA时保持固定，而其余的关键帧在非线性优化过程中被设置为可优化的变量。我们应用第二个重复点检测和融合阶段来更新地图$M_m$的共视图。
- 位姿图优化。最后，我们对地图$M_m$进行了位姿图优化。
地图合并的线程与跟踪线程、局部建图线程以及全局BA线程并行。在开始合并之前，局部建图线程被停止，以避免在atlas中增加新的关键帧；如果全局BA线程正在运行，它也会被停止，因为生成树在全局BA之后会被改变。跟踪线程在旧的活动地图上保持运行，以保持实时计算位姿。一旦地图合并完成，我们就恢复局部建图线程。全局BA如果已经停止，也将重新启动以处理新数据。
REFERENCES
[1] B. K. Horn, “Closed-form solution of absolute orientation using unit quaternions,” JOSA A, vol. 4, no. 4, pp. 629–642, 1987.
