2021@SDUSC
2021年11月3日星期三——2021年11月5日星期五
一、学习背景:
在对LVI-SAM包下的视觉部分进行分析的过程中,我遇到了严重的困难。经过仔细地分析,我觉得是因为我对于视觉部分的理论基础了解的还不够详尽,因此有必要先停下脚步,阅读这部分的基础论文VINS-Mono来增强稳固自己的基础知识。
二、论文概要:
文章介绍了一种处理imu和摄像机组成的单目视觉惯性系统的数据的方法:VINS-Mono。
文章指出,这种方法利用了imu预积分和特征提取观测数据,基于紧耦合和非线性优化的方法获得了高精度的视觉惯性里程计。imu与视觉两者融合的好处在于:
视觉与IMU的融合可以借助IMU较高的采样频率,进而提高系统的输出频率。
视觉与IMU的融合可以提高视觉的鲁棒性,如视觉SLAM因为某些运动或场景出现的错误结果。
视觉与IMU的融合可以有效的消除IMU的积分漂移。
视觉与IMU的融合能够校正IMU的Bias。
单目与IMU的融合可以有效解决单目尺度不可观测的问题。
算法和论文的介绍主要分为数据的预处理,估计器的初始化,紧耦合、自标定、非线性优化的单目VIO的实现,对于紧耦合、回环检测重定位和全局位姿图的优化五个部分。
基于目前任务的要求,我阅读的重点部分放在视觉系统的初始化部分,也就是论文的第五节。
剩下的可以到以后再看。
初始化过程(SectV)提供了所有必要的值,包括姿态、速度、重力向量、陀螺仪偏置和三维特征位置,用于引导随后的基于非线性优化的VIO
但是,需要注意的是,我们分析的源代码是LVI-SAM,是VINS-Mono的升级版,因此在初始化时有雷达系统的参与,这里与我们参考的资料有所不同,分析代码时需要格外注意。
三、重点内容:V. ESTIMATOR INITIALIZATION
论文原文翻译:
出处:VINS-Mono翻译_Pancheng1的博客-CSDN博客_vins-mono
单目紧耦合VIO是一个高度非线性的系统.由于单目相机**(1)无法直接观测到尺度**,因此,如果没有良好的初始值,很难直接将这两种测量结果融合在一起。人们可以**(2)假设一个固定的初始条件来启动单目vins估计器**。然而,这种假设是不合适的,因为在实际应用中经常会遇到运动下的初始化.当IMU测量结果**(3)被大偏置破坏时**,情况就变得更加复杂了。事实上,初始化通常是单目vins最脆弱的步骤。需要一个健壮的初始化过程来确保系统的适用性。
说明:这三点就是初始化存在的意义。1是关键原因,2对于原因给出了更进一步的解释。3的原因是imu自己的偏移。
0、为什么需要初始化:
单目系统相比于双目系统不能够确定深度。这里深度的意思就类似于空间感。人类理论上单眼也是无法获得空间感的。但是大脑可以通过运动、透视、光源和常识来辅助处理获得信息,使得单眼的人也可以获得空间感。
同样的,相机获取的数据也可以通过处理转化为深度的图像,这种方法就是三角测量。
三角测量(Triangulation)又叫三角化,是根据前后两帧图像中匹配到的特征点像素坐标以及两帧之间的相机运动R、t,计算特征点三维空间坐标的一种算法。直观来讲,当有两个相对位置已知的相机同时拍摄到同一物