VINS-mono 论文阅读 笔记

VINS-mono 论文 笔记

1.VINS (visual-inertial system)

-robust
-versatile

2.单目相机 无法还原 尺度信息

解决： 使用IMU

3.VINS

优点：
有尺度信息
roll,pitch angles
提升动态追踪表现（克服光照，低纹理条件，运动模糊等因素）
缺点： 测量加速度， estimators无法从静态开始
非线性，难初始化
需要校准两个传感器

4.VINS-mono （visual-inertial state estimator）

-on-the-fly estimator initialization
	方法：基于紧耦合滑窗法非线性优化的鲁棒VIO
-monocular VIO modele 
	提供：局部位姿，速度，方向预测，相机-IMU 外部校准，IMU误差修正
-Loops   （DBOW2）
-重定位 （by feature level fusion , 紧耦合）
-geometrically verigied loops 

5.与之前VIO不同之处：

-IMU预积分with bias correction
紧耦合重定位
全局位姿图优化
广泛的实验评估
鲁棒且通用的开源应用

6.easy to use:(小型AR场景，无人机，大范围状态估计)

7.松耦合传感器融合（最简单的方式解决视觉+IMU）

IMU当作一个独立模块去协助完成vison only下的位姿估计
融合：通过extended Kalman filter(EKF), IMU(state propagation) and vison only pose (update)

8.紧耦合VI 算法基于EKF 或 图优化

相机和IMU jointly optimized from teh raw measurement level （从原始测量中一同优化）

9.IMU 获得数据速度 > 相机

解决: [1]使用IMU作为state propagation(EKF based approaches)
		[2]IMU 预积分（图优化中）防止重复的IMU re-integration

10 VINS-MONO (4DOF drift )

比较：ORB-SLAM 7DOF (position orientation scale)
原因： IMU的存在， drift发生在3D translation+rotaion arounf the gravity direction(yaw angle)

11 结构

[1]计算流程(提取+跟踪特征，相邻两帧IMU计算，预积分)
[2] 初始化进程（提供位姿，速度，重力向量，陀螺仪偏置，3D特征位置）
[3] VIO with localization 模块（融合预积分IMU运算+特征观察+re-detected features from loop closures）
[4] 位姿图优化 （几何验证重定位结果+全局优化消除漂移）
注： VIO 重定位 位姿图优化 同步运行（多线程)