在成功初始化之后，會創建地圖以及局部地圖。
創建地圖
在初始化正常過后，緊接着會創建地圖
// src/openvslam/module/initializer.cc:67
// create new map, then check the state is succeeded or not
create_map_for_monocular(curr_frm);
創建單目地圖
在init_matches_中，將所有匹配點對兒中沒有三角化的位置標記為無效
以初始幀為原點，設置當前幀的位姿
創建初始幀和當前幀的關鍵幀
計算幀描述子對應的bow向量
將關鍵幀添加入map_db_中
更新幀統計信息
逐個匹配點
創建landmark：lm就是特征點對應的世界座標下的點
將lm和關鍵幀關聯起來
向lm中添加可觀測信息：關鍵幀和對應的特征點id
計算lm的描述子
計算lm的幾何信息
將lm加入map_db_
global_bundle_adjuster
計算初始關鍵幀的中位深度值
更改當前關鍵幀t的尺度和lm尺度，（將深度中間值設置為1的尺度，1.0 / median_depth）
更新當前幀的位姿
設置地圖的起始關鍵幀
計算lm的描述子
一個lm可能被很多幀看到，每個幀中由於拍攝的時間、空間、光照條件的原因導致相同的特征點的描述子會稍微不同，通過計算找到一個與其他描述子距離相近的描述子作為最終lm的描述子。
計算lm的幾何信息
max_valid_dist_ = dist * scale_factor;
min_valid_dist_ = max_valid_dist_ / ref_keyfrm->scale_factors_.at(num_scale_levels - 1);
max_valid_dist_: 特征點(世界座標系下)到參考幀相機位置（世界座標系下）的最大有效距離，在計算的時候將特征點所處的圖像金字塔層數也考慮進來
min_valid_dist_: 特征點(世界座標系下)到參考幀相機位置（世界座標系下）的最小有效距離
Vec3_t mean_normal = Vec3_t::Zero();
unsigned int num_observations = 0;
for (const auto& observation : observations) {
auto keyfrm = observation.first;
const Vec3_t cam_center = keyfrm->get_cam_center();
const Vec3_t normal = pos_w_ - cam_center;
mean_normal = mean_normal + normal / normal.norm();
++num_observations;
}
mean_normal_:
計算初始關鍵幀的中位深度值
將關鍵幀中的lm（世界坐標系）轉為關鍵幀坐標系下，對深度排序后獲取中間深度值。
更新局部地圖及后續
// src/openvslam/tracking_module.cc:183
update_local_map();
更新局部地圖
更新局部關鍵幀(局部關鍵幀的限制是60個)
統計出當前幀和相鄰的關鍵幀共享的lm數量
通過比較共享lm的數量，將共享lm數量最多的關鍵幀設置為最近的共視關鍵幀
將有共視的關鍵幀都添加到local_keyfrms_
將有共視的關鍵幀的相鄰關鍵幀中的top10也加入local_keyfrms_
將最近的共視關鍵幀設置為當前跟蹤模塊的參考關鍵幀
更新局部lm:將local_keyfrms_中的lm都添加為local_landmarks_
將所有的關鍵幀傳入mapper_模塊
設置跟蹤模塊狀態為Tracking
保存參考關鍵幀到當前幀的變換矩陣=last_cam_pose_from_ref_keyfrm_
tracking流程
更新lm：全局BA會優化lm的位置，因此將上一幀lm中調整為優化過的值
更新上一幀相機位姿：mapping模塊有可能優化該位姿
設置當前幀的參考關鍵幀：=跟蹤模塊的參考關鍵幀
跟蹤當前幀(track_current_frame)
如果成功：
更新局部地圖
使用局部地圖對當前幀進行優化
如果成功：
更新運動學模型update_motion_model
更新幀統計信息
如果跟蹤后很快就丟失，則會重新開始跟蹤
跟蹤成功后，檢測是否需要插入關鍵幀
1.當前的幀id不大於上個關鍵幀id+max_num_frms_（這里max_num_frms_=fps）
2.當前的幀id不小於上個關鍵幀id+min_num_frms_（這里max_num_frms_=0）
3.有一定的匹配點但是不能太多，太多說明視覺變化比較小，不需要新關鍵點；
添加關鍵幀
單目直接添加
立體和RGBD，按深度降序排列，添加前100深度且大於true_depth_thr_的lm
清理當前幀的lm
跟蹤當前幀
\\ src/openvslam/tracking_module.cc:278
bool tracking_module::track_current_frame()
有三種跟蹤方法：
motion_based_track：
bow_match_based_track：
robust_match_based_track：
一種重點位方法：
relocalize
// Tracking mode
if (velocity_is_valid_ && last_reloc_frm_id_ + 2 < curr_frm_.id_) {
// if the motion model is valid
succeeded = frame_tracker_.motion_based_track(curr_frm_, last_frm_, velocity_);
}
if (!succeeded) {
succeeded = frame_tracker_.bow_match_based_track(curr_frm_, last_frm_, ref_keyfrm_);
}
if (!succeeded) {
succeeded = frame_tracker_.robust_match_based_track(curr_frm_, last_frm_, ref_keyfrm_);
}
bow_match_based_track
計算當前幀BoW
當前幀與關鍵幀做匹配：使用bow tree
如果匹配點數大於num_matches_thr_=10，將上一幀的位姿作為當前幀的位姿的初始值，使用pose_optimizer_進行優化。
剔除當前幀中不好的lm（優化中會將一些lm設值為outliers）
robust_match_based_track
計算當前幀和參考關鍵幀的匹配情況（match_frame_and_keyframe）
使用暴力匹配的方式獲取匹配點（brute_force_match）
計算本質矩陣E，獲取匹配點（essential_solver）
如果匹配點數大於num_matches_thr_=10，將上一幀的位姿作為當前幀的位姿的初始值，使用pose_optimizer_進行優化。
剔除當前幀中不好的lm（優化中會將一些lm設值為outliers）
在計算本質矩陣E的時候使用的是歸一化平面上的點對兒，而不是圖像上的像素點對兒。
motion_based_track
基於運動模型跟蹤，這里的運動模型就是恆速運動模型。
首先使用恆速運動模型更新當前位姿
將最后一幀中觀察到的3D點重新投影到當前幀並在幀中記錄相應的lm信息（match_current_and_last_frames）
計算當前幀到上一幀的平移向量trans_lc
非單目可以判斷運動方向
將最后一幀的特征點對應的3D點重新投影到當前幀，在重投影位置尋找特征點，進行匹配
pose optimization
剔除當前幀中不好的lm（優化中會將一些lm設值為outliers）
重定位
跟蹤失敗后會調用該函數進行重定位。
tracking_module初始化中會對module::relocalizer進行初始化
relocalizer( data::bow_database* bow_db,
const double bow_match_lowe_ratio = 0.75, const double proj_match_lowe_ratio = 0.9,
const unsigned int min_num_bow_matches = 20, const unsigned int min_num_valid_obs = 50);
重定位有關的變量
//! initial candidates for loop or relocalization
std::unordered_set<keyframe*> init_candidates_;
//! number of shared words between the query and the each of keyframes contained in the database
std::unordered_map<keyframe*, unsigned int> num_common_words_;
//! similarity scores between the query and the each of keyframes contained in the database
std::unordered_map<keyframe*, float> scores_;
//! pairs of score and keyframe which has the larger score than the minimum one
std::vector<std::pair<float, keyframe*>> score_keyfrm_pairs_;
//! pairs of total score and keyframe which has the larger score than the minimum one
std::vector<std::pair<float, keyframe*>> total_score_keyfrm_pairs_;
獲取候選關鍵幀（acquire_relocalization_candidates）
統計地圖中所有當前幀有共享的單詞的關鍵幀以及共享單詞的數量（set_candidates_sharing_words）
將最大共享單詞數量*0.8作為過濾門限
計算大於門限的關鍵幀與當前幀的相似性得分（DBoW內置計算方法）
設置相似分門限過濾
計算每個候選關鍵幀（score_keyfrm_pairs）鄰域的得分並取總和，返回最高分best_total_score
將大於0.75*best_total_score的關鍵幀設置為候選關鍵幀
遍歷候選幀
關鍵幀與當前幀進行特征點匹配（bow_matcher_.match_frame_and_keyframe）,>50個才算有效
構建pnp_solvers
使用PnP(+RANSAC)求解位姿
使用pose_optimizer優化
重投影匹配檢驗proj_matcher_.match_frame_and_keyframe
再次使用pose_optimizer優化
有效特征點>50，即認為重定位成功
使用局部地圖對當前幀進行優化
//src/openvslam/tracking_module.cc:209
succeeded = optimize_current_frame_with_local_map();
通過將局部lm重投影到當前幀的方式獲取更多的2D-3D點對兒（search_local_landmarks）
當前幀中的lm不需要重投影，標記對應的lm
在局部lm中逐個使用can_observe函數檢測可以被觀測到的lm
投影匹配當前幀和局部lm
pose_optimizer
計算跟蹤到的lm數量，判斷是否少於門限
can_observe
獲取lm的世界座標值pos_w
判斷該lm是否可以重投影到當前幀的圖像平面
通過判斷有效距離檢查是否在orb_scale中
檢測角度是否有效0.5度
預測當前lm所對應的圖像金字塔層數
更新運動學模型
這里的運動學模型是恆速模型：
更新速度velocity = curr_frm.cam_pose_cw * last_frm_cam_pose_wc
后面用來更新位姿：curr_frm.set_cam_pose(velocity * last_frm.cam_pose_cw) 這時候last_frm.cam_pose_cw就是上一幀的curr_frm.cam_pose_cw
問題
恆速模型沒搞明白；
\(T_{C_k}^W\)表示k時刻相機坐標系到世界坐標系的變換矩陣，恆速模型是說相機k到k-1時刻的變化等於k-1到k-2時刻的變化，即\(T_{C_k}^{C_{k-1}}=T_{C_{k-1}}^{C_{k-2}}\)。因此
\[T_{C_k}^W = T_{C_{k-1}}^W*T_{C_{k}}^{C_{k-1}} = T_{C_{k-1}}^W*T_{C_{k-1}}^{C_{k-2}} \]
又\(T_{C_{k-1}}^W=T_{C_{k-2}}^W*T_{C_{k-1}}^{C_{k-2}}\)可得
\[T_{C_{k-1}}^{C_{k-2}}=(T_{C_{k-2}}^W)^{-1}*T_{C_{k-1}}^W \]
因此
\[T_{C_k}^W = T_{C_{k-1}}^W*(T_{C_{k-2}}^W)^{-1}*T_{C_{k-1}}^W \]
再取逆，整理得到
\[T_{W_k}^C = T_W^{C_{k-1}}*(T_{C_{k-2}}^W)^{-1}*T_W^{C_{k-1}} \]
// src/openvslam/tracking_module.cc:310
velocity_ = curr_frm_.cam_pose_cw_ * last_frm_cam_pose_wc;
// src/openvslam/module/frame_tracker.cc:22
curr_frm.set_cam_pose(velocity * last_frm.cam_pose_cw_);
對應程序，velocity_就是\(T_W^{C_{k-1}}*(T_{C_{k-2}}^W)^{-1}\)