原文关键章节已核对
以下分析来自论文原文，保留实验条件与结果适用范围。
10 页 PDF · 1.5 MB归档日期 2026-10-04已核对方法、实验、结果与局限
从官方来源获取原文原文依据范围
§2,4–6 · §7.1–7.4 · Tables 1–2 · §8–9
原文来源与版本用于研究核对。公开可获取不等于允许全文转载；本站提供中文分析和官方原文链接。
方法机制
把相机实时跟踪与关键帧地图优化分到并行线程：跟踪端粗到细匹配大量FAST局部纹理，用鲁棒重投影估计位姿；建图端三角化新点并局部/全局束调整。用户平移相机采两关键帧完成五点初始化，避免每帧共同滤波全部地图。
实验设置与硬件
主要用真实手持相机在桌面/办公室做AR定位，另以合成序列与EKF-SLAM比较。典型1656帧桌面序列形成57关键帧及4997点；在2.66GHz双核PC上测跟踪、局部和全局优化随地图规模变化。
结果及统计口径
作者报告4000点地图典型跟踪19.2毫秒，实用规模约6000点/150关键帧。100–149关键帧全局束调整平均6.9秒，由后台执行；实时的是跟踪而非所有优化。最多11000点/280关键帧地图已影响继续扩图。
局限与风险
针对小工作区，相机需纹理充分、场景较静态且遮挡有限；模糊、重复纹理、错误关键帧可损坏地图。不是完整大回环或自主导航系统；初始化依用户平移和按键，纯旋转不足以三角化。
复现建议
需匹配相机标定、图像金字塔、patch搜索阈值和异步调度，分别测跟踪与建图延迟。传统系统无需策略训练；原论文与后续公开代码新增模块应分开说明，本次未编译运行。
实验标签与机器人
- 验证范围
- 仿真 + 实物
- 机器人型号
- 未核实
论文针对手持相机，未添加机器人型号。
代码与训练
有开源代码 · 实现已开源
无需策略训练；官方 GPL 重发布仓库提供 C++ 实现，基于历史 PTAM v1.0-r114。编译依赖较旧，初始化需要相机平移。