GVINS之系统简介

   GVINS: Tightly Coupled GNSS–Visual–Inertial Fusion for Smooth and Consistent State Estimation，GVINS是香港科技大学博士曹绍祖（已毕业）于2022年发表在IEEE Transactions On Robotics上的一篇文章， 为了解决Visual-inertial odometry (VIO) 长时间运行发散的问题，GVINS将VIO与GNSS（Global Navigation Satellite System）数据进行了紧密耦合，建立了全局一致的状态估计系统，实现了VIO局部坐标系与GNSS全局坐标的空间配准（对齐）。目前相关代码及数据集已开源在GitHub上，由于其在融合方面的出色表现，被业内人士广泛引用。

1 研究背景

        长期以来VIO一直是SLAM领域的研究热点，相较于单纯的视觉-SLAM，VIO能够提供更准确、稳定位姿（位姿、姿态）。尽管如此，VIO也存在一些弊端，如只能实现局部位姿估计、位姿估计精度随时间不断发生漂移。相较于VIO，GNSS可以实现全局一致的位姿估计，同时GNSS导航参数误差不产生积累。但由于GNSS信号的脆弱性，在建筑等环境遮挡区域，GNSS易发生中断、甚至失锁（无法进行导航参数解算）。鉴于VIO与GNSS的优缺点，曹博士提出GVINS紧耦合系统，以实现VIO与GNSS的优势互补，与松耦合相比，紧耦合系统一方面由于才用原始数据融合，降低了误差的传递与积累，提高了导航精度；另一方面，紧耦合系统鲁棒性更强，即使在GNSS接收卫星少于四颗时，依旧可以进行融合解算。

2 主要贡献

        GVINS提出了一种基于非线性优化的系统，将 GNSS 原始测量值（伪距和多普勒频移）与视觉和惯性数据紧密融合，以实现准确且无漂移的状态估计。局部帧和全局帧之间的四自由度变换在初始化阶段通过从粗到精的方法恢复，并随后进一步优化。为了引入噪声 GNSS 原始测量结果，所有 GNSS 约束均在因子图下框架下进行，其中所有状态均经过联合优化。此外，还讨论GNSS退化检测及处理方法以增强鲁棒性。由于紧密耦合的方法和系统设计，GVINS充分利用了 GNSS、视觉和惯性测量之间的互补特性，即使在复杂的环境中也能够提供局部平滑和全局一致的估计。GVINS具体的贡献如下:

（1）提出了一种在线的由粗-细的GNSS-VIO初始化方法，实时估计GNSS全局坐标系与VIO局部坐标系偏差；

（2）提出了一种基于优化的紧耦合方法，在因子图框架下将视觉、惯性数据与GNSS原始量测数据进行融合，优化；

（3）构建了一种实时的估计器，能够在GNSS退化场景（干扰、失锁等）下提供无漂移的六自由度全局位姿估计。

3 系统框架

        GVINS系统主要分为输入、信号处理、初始化及非线性位姿优化四个部分。其中系统初始化与因子图的后端优化是GVINS的重点研究内容，具体框架如图1所示。

图 1 系统框架

4 实验设备及场景

        GVINS搭建了一整套测试平台，并集成在头盔上。平台集成了相机、IMU、GNSS等传感器，如图2所示。GVINS在操场、室内外、城市等场景进行了相关实验验证，相关场景如下图所示，

图2 实验平台

图3 操场场景

图4 室内外场景

图5 城市场景

5 开源代码及数据集

        目前，相关代码已开源在GitHub网站，相关链接如下。后续博主将持续更新一系列GVINS相关文章，如GVINS的复现及改进细节等，希望大家可以持续关注。

GVINS数据集：GitHub - HKUST-Aerial-Robotics/GVINS-Dataset: A dataset containing synchronized visual, inertial and GNSS raw measurements.

GVINS代码：GitHub - HKUST-Aerial-Robotics/GVINS: Tightly coupled GNSS-Visual-Inertial system for locally smooth and globally consistent state estimation in complex environment.