论文贡献和提纲 Contributions and Outline

We propose a Large-Scale Direct monocular SLAM (LSD-SLAM) method, which not only locally tracks the motion of the camera, but allows to build consistent, large-scale maps of the environment (see Fig. 1 and 2).

我们提出了一种大规模，大尺度的基于直接法的单目SLAM基于直接法的大范围大尺度单目SLAM算法（LSD-SLAM，英文简称），该方法不仅仅可以在局部本地区域内，对相机（帧间）运动进行跟踪，而且还可以构建全局一致性的大规模大尺度的场景地图（请参看示图1.和2.）。

改动_Labby：大范围——>大尺度；局部本地——>局部区域内；删除“大规模”。

The method uses direct image alignment coupled with filtering-based estimation of semi-dense depth maps as originally proposed in [9].

（LSD-SLAM）算法使用了图像直接配准（技术）和基于滤波方式的，对半稠密深度图估计（的概率方法）。
（LSD-SLAM）算法使用基于滤波的图像配准方法来估计半稠密深度图。早在论文[9]中，就已经提出过这样的算法方案。

The global map is represented as a pose graph consisting of keyframes as vertices with 3D similarity transforms as edges, elegantly incorporating changing scale of the environment and allowing to detect and correct accumulated drift.

全局地图表示成一个姿态图，这个姿态图的节点由相机关键帧组成，（关键帧之间的）3D相似变换（关系或叫做约束条件，译者额外添加备注）定义为连接节点的边，姿态图的边由（关键帧之间的）3D相似变换（关系或叫做约束条件，译者额外添加备注）构成，这个（非线性图状）模型优雅较好的结合了不断变化的场景尺度，可以检测并纠正累计误差的漂移（即误差累计，译者额外添加备注）。

改动_Labby：优雅——>较好，累计的漂移——>累积误差

The method runs in real-time on a CPU, and as odometry even on a modern smartphone [22].

算法可以实时运行在单个CPU上，（无需硬件加速，译者额外添加备注），还可以运行在智能手机上，充当视觉里程计。

The main contributions of this paper are

这篇论文的主要贡献如下：

(1) a framework for large-scale, direct monocular SLAM, in particular a novel scale-aware image alignment algorithm to directly estimate the similarity transform $\mathbf{\xi} \in \mathfrak{sim}(3)$ between two keyframes,

(1) 提供了一个大规模，大尺度，基于直接法的单目基于直接法的大范围大尺度单目 SLAM系统的（软件）框架，特别是用了（该软件框架包含）一种新颖的具备环境尺度感知（scale-aware）的图像配准算法，来直接估计，关键帧之间的相似变换即： $\mathbf{\xi} \in \mathfrak{sim}(3)$

改动_Labby：大范围——>大尺度

and (2) probabilistically consistent incorporation of uncertainty of the estimated depth into tracking.

此外（2）在图像跟踪过程中，通过概率的方法，能够对深度的不确定性进行估计。