【ECCV2018】Modeling Varying Camera-IMU Time Offset in Optimization-Based Visual-Inertial Odometry

这篇文章是：
关于基于优化方法的视觉惯性里程计的的变化相机-IMU时间偏移的建模

（这里需要提一下的是以后阅读文章我觉得应该先整体过一遍，然后再整理，就和做英语阅读题一样，先快速的有个全局的掌握和认识）
—————————————————————————————————————————————————————————————

一、自己不知道不清楚的基本常识和基础知识：

是阅读文章过程中遇到的一些自己不懂的地方的记录，也算是扩充自己知识点的一个途径吧：

1. global-shutter cameras：

首先shutter: 就是我们中文说所的 快门，用来控制相机内部感光片的有效曝光时间的机构

需要曝光时间短：global-shutter--------对应快速移动的东西（运动拍照）——————————噪声大
需要曝光时间长：rolling-shutter--------对应夜晚丝绢般的车水马龙——————————————噪声小

对比完这两种常见的快门之后就是具体的解释了：
global-shutter: 通过整幅场景在同一时间曝光实现的。Sensor所有像素点同时收集光线，同时曝光。即在曝光开始的时候，Sensor开始收集光线；在曝光结束的时候，光线收集电路被切断。然后Sensor值读出即为一幅照片。CCD就是Global shutter工作方式。所有像元同时曝光。
rolling-shutter: 与Global shutter不同，它是通过Sensor逐行曝光的方式实现的。在曝光开始的时候，Sensor逐行扫描逐行进行曝光，直至所有像素点都被曝光。当然，所有的动作在极短的时间内完成。不同行像元的曝光时间不同

—————————————————————————————————————————————————————————————

二、对自己可能有用的信息：

1.【关于标定的文章：】
[1] Furgale, P., Rehder, J., Siegwart, R.: Unified temporal and spatial calibration for multi-sensor systems. In: Proc. of the IEEE/RSJ Intl. Conf. on Intell. Robots and Syst. (2013)
在线的标定：
[2] Weiss, S., Achtelik, M.W., Lynen, S., Chi, M., Siegwart, R.: Real-time onboard visual-inertial state estimation and self-calibration of mavs in unknown environments. In: Proc. of the IEEE Intl. Conf. on Robot. and Autom. (2012)
[3] Yang, Z., Shen, S.: Monocular visual-inertial fusion with online initialization and camera-IMU calibration. In: Proc. of the IEEE/RSJ Intl. Conf. on Intell. Robots and Syst. (2015)

2.【关于time-offset的文章：】
首先应该是最早引入time-offsets的文章
Jacovitti et al. estimate the time-offset by searching the peak that maximizes the correlation of different sensor measurements:
[1]Jacovitti, G., Scarano, G.: Discrete time techniques for time delay estimation. IEEE Transactions on Signal Processing 41 (1993)
这篇文章的局限性：cannot estimate time-varying time offsets
然后是Liet al. adopted a different approach. They assume constant velocities aroundlocal trajectories. Time offsets are included in the estimator state vector, and optimized together with other state variables within an EKF framework
参考这个文章：
[2] Li, M., Mourikis, A.I.: 3D motion estimation and online temporal calibration for camera- IMU systems. In: Proc. of the IEEE Intl. Conf. on Robot. and Autom. (2013)
接着出现了：Instead of explicitly optimizing the time offset, Guo et al. proposed an interpolation model to account for the pose displacements caused by time offsets.
具体参考下面的文章：
[3] Hesch, J.A., Kottas, D.G., Bowman, S.L., Roumeliotis, S.I.: Consistency analysis and improvement of vision-aided inertial navigation. IEEE Trans. Robot. 30(1), 158–176 (Feb 2014)

接着是我比较感兴趣的地方就是文章的第四部分：Modeling Varying Camera-IMU Time Offset
本来想在time-offsets上面做一点文章的，但是看了之后发现自己目前的能力还是远远不能达到这样的书评，还是慢慢修行吧！
加油加油！

3.【关于非线性优化框架的】
下面两篇文章涉及到了较为具体的细节：之后有时间再看！
[1] Shen, S., Michael, N., Kumar, V.: Tightly-coupled monocular visual-inertial fusion for autonomous flight of rotorcraft MAVs. In: Proc. of the IEEE Intl. Conf. on Robot. and Autom. Seattle, WA (May 2015)
[2] Leutenegger, S., Furgale, P., Rabaud, V., Chli, M., Konolige, K., Siegwart, R.: Keyframe-based visual-inertial SLAM using nonlinear optimization. In: Proc. of Robot.: Sci. and Syst. (2013)

————————————————————————————————————————————————————————————