IMU和视觉的互补
IMU和视觉的互补在纯视觉的SLAM或者VO中，由于图像的运动模糊、遮挡、快速运动、纯旋转、尺度不确定性的一系列问题，导致仅靠一个摄像头很难完成我们实际场景的应用需求。而IMU直接可以得到运动主体自身的角速度、加速度的测量数据，从而对运动有一个约束，或者说与视觉形成互补，可实现快速运动的定位和主体纯旋转的处理，从而进一步提高SLAM/VIO的可靠性。
IMU传感器本身也是有自身缺点的，比如IMU长时间使用就会有非常大的累积误差。但是在短时间内，其相对位移数据又有很高的精度，所以当视觉传感器失效时，融合IMU数据，能够提高定位的精度。
IMU虽然可以测得角速度和加速度，但这些量都存在明显的漂移，使得积分两次得到的数据就会存在很大误差。
如果将IMU固定不动，其数据也会因为漂移的影响使得积分得到的位姿飘走。但是对于短时间内的快速运动，IMU能够提供相对准确的估计，这又刚好弥补了相机的缺点。相机运动过快时会出现模糊或者两帧之间重叠区域太少无法匹配。
IMU和相机就这样相辅相成，因此现在很多SLAM算法的研究都是融合相机和IMU数据进行位姿估计
IMU预积分的作用
在基于BA的纯视觉SLAM图优化算法中，各个节点、还有节点之间的边都可以是待优化的量。IMU预积分的初衷，希望将IMU的相对测量信息转换为帧与帧之间约束节点（位姿）的边，从而参与到优化框架中。
因此，IMU预积分的立足点就落在相邻两帧之间的IMU积分测量值计算及其动态更新上（IMU的频率很高），获得每周期PVQ（位置、速度和姿态）增量的测量值，对照其他通过非IMU方式获得的PVQ增量的估计值（纯视觉SLAM方案），进而获得PVQ增量的残差。然后以该残差构造代价函数对每个节点的PVQ进行迭代更新和优化。
在这个过程中通过对IMU测量噪声协方差的递推，获得了每周期PVQ增量测量值的噪声分布，再通过求协方差的逆的平方根，获得了信息矩阵，对残差中PVQ的比例进行调节，起到平衡权重的作用。
5569
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
