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)