OpenVins解析：基于滤波框架的SLAM

---

1 论文

1.1 OpenVINS: A Research Platform for Visual-Inertial Estimation

Geneva, P., Eckenhoff, K., Lee, W., Yang, Y., & Huang, G. (2020, May). Openvins: A research platform for visual-inertial estimation. In 2020 IEEE International Conference on Robotics and Automation (ICRA) (pp. 4666-4672). IEEE.

1.1.1 主要内容

这篇论文提纲挈领地介绍了OpenVINS库的各个模块主要功能以及一些实验验证的结果。

1.1.2 思考

• 文中实验结果表明：EurocMav V203数据集，双目情况下，openvins加不加 SLAM landmark到状态向量里 效果都差不多；单目情况下加SLAM landmark对精度有明显提升。为什么？
  

1.1.3 启发

• 要有地图库，包含关键帧和关键帧中高置信度的路标点。
• 普通帧要关联关键帧，减少VIO漂移
• 室外场景下要能融合GPS甚至LiDAR

1.2 MSCKF: A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation

Mourikis, A. I., & Roumeliotis, S. I. (2007, April). A multi-state constraint Kalman filter for vision-aided inertial navigation. In Proceedings 2007 IEEE international conference on robotics and automation (pp. 3565-3572). IEEE.

1.2.1 MSCKF估计过程

A. IMU递推

每次IMU到来时就进行数值积分递推，更新状态和协方差。（或者等到图像到来再一次性计算，S-MSCKF代码里面就是这样实现的）

B. 状态增广

图像帧到来时，利用IMU递推得到的位姿给该图像帧赋初值。

C. 滤波更新

观测模型

更新

更新时刻有两个，一个发生在信息搜集全时，一个发生在信息即将丢失时：

• 当特征点不再被跟踪到时，针对该特征点的约束信息不会再增多，此时会对窗口内所有观测到该特征点的位姿进行一轮更新
• 当达到最大位姿数量时需要丢弃帧，信息即将丢失，此时也会进行更新

2 代码解析

2.1 ov_core

2.1.1 track

track目录下实现了基于KLT光流、基于描述子匹配（、基于ArucoTag）的跟踪方法；并且派生于TrackBase类。后续如要引入诸如SVO等其他跟踪方法也易于拓展。

着重说下基于描述子的匹配：OpenVins中匹配的方式是robust_match()，里面是调用的opencv的KNNMatch，然后再用RANSAC剔除误匹配（Reject with F）。这一方式存在的关键问题是匹配耗时很长，对性能影响显著。可以参考ORBSLAM3中的匹配方式来对其优化，比如左右目匹配可以在极线上搜索，前后帧可以利用运动先验投影匹配。

2.1.2 types

TOD

2.2 ov_msckf

2.2.1 关注 updaterSLAM 和 updaterMSCKF

openvins中不仅仅进行了传统的MSCKF更新（状态向量中不包含路标点），还在updaterSLAM中进行了包含路标点的估计更新。openvins 中路标点的数量默认设置为 50。理论上加入路标点会提升精度，代价是增加了计算量。但是openvins论文中表明EurocMav V203数据集双目模式下加入路标点到状态向量对精度影响有限。因此，updaterSLAM必要性以及超参数设置需要更多的实际实验来决定。