VINS基础

摘自：http://baijiahao.baidu.com/s?id=1573538911140047&wfr=spider&for=pc
一、引言

本文提出的视觉惯性系统结构框图如下所示。第一部分是测量处理前段，负责提取并跟踪每个新图像帧的特征，及帧间IMU数据预积分。第二部分是初始化过程，提供了激活非线性系统的必要初始值，如姿态、速度、重力向量、陀螺仪偏差及3D特征位置。第三部分为非线性图优化，通过联合优化所有的视觉、惯性信息求解滑窗内的状态。另一部分运行另一个线程，负责闭环检测及姿态图优化。

请点击此处输入图片描述请点击此处输入图片描述

二、各部分概述

测量预处理：对于视觉测量，跟踪连续帧间的特征并检测最近一帧中的新特征；对于IMU测量，连续帧内进行预积分。注意IMU测量受偏差和噪声的影响，因此我们在预积分和优化部分考虑了偏差，这对低成本IMU非常必要。

初始化：单目紧耦合视觉惯性系统是高度非线性系统。由于单目相机不能直接观测到尺度，因此没有好的初始值情况下很难直接融合这两种传感器。一般的，在静止假设的前提下，认为开始几秒的IMU测量值平均是重力向量，IMU传播（propagation）认为是初始姿态。然而，当IMU测量值受非平凡（non-trivial）偏差影响或开始时存在加速运动情况时，这么认为是不合适的。为提高单目视觉惯性系统的成功率，需要稳健的初始化。我们采用松耦合传感器融合方法获得初始值。我们发现仅视觉SLAM或SfM初始化性能良好，大多数情况下可通过Eight-point、Five-point、homogeneous and fundamental等相对运动方法完成初始化。通过将IMU预积分结果与仅视觉对其，可以大体上获得尺度、重力、速度，甚至偏差，这对激活非线性系统是很有好处的，如下图所示。

紧耦合非线性优化：状态初始化完成后，运行基于滑窗的非线性估计器进行高精度状态估计，使用Ceres Solver 求解该非线性优化问题。滑窗说明如下图所示。

闭环检测：我们在一个单独线程里进行闭环检测和维持一个仅姿态图。由于滑窗缺少绝对位置和偏航观测，当检测到闭环时，滑窗将通过重定位贴在姿态图上。关键帧从滑窗中边缘化后将被加入到姿态图，当新加入的关键帧包含闭环信息时执行姿态图优化。IMU测量提供了完整的俯仰角和滚动角，所以仅xyz和偏航角4个自由度上有累积漂移，为避免引入虚假信息，我们直接在这4个自由度上优化姿态图。