本文详细介绍了视觉惯性里程计（VIO）的残差函数构建，涵盖视觉重投影误差、IMU预积分模型及其误差、状态误差线性递推公式的推导，以及残差Jacobian的计算。重点讨论了预积分模型中的积分问题、离散形式和雅克比矩阵的推导。
文章目录
IMU与VO的融合问题可以看作是对状态量的最小二乘估计，因此核心问题就转换为了VIO 残差函数的构建。
一、系统需要优化的状态量
二、视觉重投影误差
三、预积分模型
3.1 IMU 测量值的积分问题
3.2 IMU预积分模型的提出
3.3 IMU 的预积分误差
第二项可以由第一章公式（7）得到
3.4 预积分的离散形式
3.5 预积分量的方差
四、状态误差线性递推公式的推导
4.1 简介
4.2 基于一阶泰勒展开的误差递推方程
4.3 基于误差随时间变化的递推方程
自己拿笔推导一下可以得到：
R [ δ θ ] × ( a b + δ a b ) ≈ R [ δ θ ] × a b = R [ a b ] × δ θ R[\delta \theta]_{×}\left(a^{b}+\delta a^{b}\right) \approx R[\delta \theta]_{×} a^{b}=R\left[a^{b}\right]_{×} \delta \theta R[δθ]×(ab+δab)≈R[δθ]×ab=R[ab]×δθ
4.3 预积分的误差递推公式推导
这两个矩阵的推导从下往上推导会更简单一些
4.4 雅克比矩阵 F 的推导
F第五行推导：
{ b k + 1 g = b k y + n b k g δ t b ^ k + 1 + δ b k + 1 g = b ^ k g + δ b k y + n b k g δ t \left\{\begin{array}{c}b_{k+1}^{g}=b_{k}^{y}+n_{b_{k}^{g}} \delta_{t} \\ \hat{b}_{k+1}+\delta b_{k+1}^{g}=\hat{b}_{k}^g+\delta b_{k}^{y}+n_{b_k^{g}} \delta t\end{array}\right. {
bk+1g=bky+nbkgδtb^k+1+δbk+1g=b^kg+δbky+nbkgδt<
最低0.47元/天 解锁文章
扫一扫
2325
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
