目前单目slam存在初始化的尺度问题和追踪的尺度漂移问题，而双目也存在精度不高和鲁棒性不好的问题。针对这些问题，提出了融合imu的想法。
那么imu的作用是什么呢？
单目
（1)解决初始化尺度问题
（2)追踪中提供较好的初始位姿。
（3)提供重力方向
（4)提供一个时间误差项以供优化
双目
（1)追踪中提供较好的初始位姿。
（2)提供重力方向
（3)提供一个时间误差项以供优化
目前做这方面融合论文很多，但开源的比较少，这里给出几个比较好的开源code和论文
开源code：
（1）imu和单目的数据融合开源代码（EKF)
https://github.com/ethz-asl/rovio
（2）imu和单目的数据融合开源代码
https://github.com/ethz-asl/okvis_ros(非线性优化）
（3）orbslam+imu（立体相机）
https://github.com/JzHuai0108/ORB_SLAM论文：
（1)Keyframe-based visual–inertial odometry（okvis的论文）
（2) IMU Preintegration on Manifold for Efficient Visual-Inertial Maximum-a-Posteriori Estimation（预积分）
（3)Visual-Inertial Monocular SLAM with Map Reuse （orb+imu）
（4)Robust Visual Inertial Odometry Using a Direct EKF-Based Approach（eth的rovio）
（5)On-Manifold Preintegration for Real-Time Visual-Inertial Odometry（gtsam）
由于是初学比较详细看得就是以上5篇，而且自认为还不错的论文。
本人研究的是基于非线性优化的视觉和imu融合的算法研究，那么这里先引出融合的方式：
滤波方法：
（1)紧耦合
（2)松耦合
非线性优化：
（1）紧耦合（本人研究方向）
（2)松耦合
imu'和视觉是怎样融合的呢？
仅仅视觉的时候我们优化的只是重投影误差项：
以上的公式我就不解释了。
而imu+视觉优化的是重投影误差项+imu的时间误差项：
其中imu时间误差项：
其中
这里：imu时间误差项要求的主要有5个变量：eR，ev，ep，eb，W。即求（R ，v，p，b，W）
这里先给出一张非线性优化视觉+imu融合的图：
下面我们就开始用与积分的方式求以上的6个变量，下面给出预积分的code
- Eigen::Matrix4d Tracking::propagate(const double time_frame)
- {
- bool is_meas_good=getObservation(time_frame);
- assert(is_meas_good);
- time_pair[0]=time_pair[1];
- time_pair[1]=time_frame;
- Eigen::Vector3d tempVs0inw;
- Eigen::Matrix<double, 15,15>* holder=NULL;
- if(bPredictCov)
- holder= &P_;
- predictStates(T_s1_to_w, speed_bias_1, time_pair,
- measurement, imu_.gwomegaw, imu_.q_n_aw_babw,
- &pred_T_s2_to_w, &tempVs0inw);
- pred_speed_bias_2.head<3>()=tempVs0inw;//速度偏差
- pred_speed_bias_2.tail<6>()=speed_bias_1.tail<6>(); //biases do not change in propagation
- Eigen::Matrix4d pred_Tr_delta=pred_T_s2_to_w*imu_.T_imu_from_cam;//camera-imu-world（矩阵的乘法从左开始）
- cam_to_w=pred_Tr_delta;
- pred_Tr_delta=pred_Tr_delta.inverse()*(T_s1_to_w*imu_.T_imu_from_cam);//由imu计算（预测）上一帧-》当前帧的变换关
- // T_s1_to_w=pred_T_s2_to_w;
- speed_bias_1=pred_speed_bias_2;
- return pred_Tr_delta;
- }
- void Tracking::predictStates(const Eigen::Matrix4d &T_sk_to_w, const Eigen::Matrix<double, 9,1>& speed_bias_k,
- const double * time_pair,
- std::vector<Eigen::Matrix<double, 7,1> >& measurements, const Eigen::Matrix<double, 6,1> & gwomegaw,
- const Eigen::Matrix<double, 12, 1>& q_n_aw_babw,
- Eigen::Matrix4d * pred_T_skp1_to_w, Eigen::Matrix<double, 3,1>* pred_speed_kp1,
- Eigen::Matrix<double, 15,15> *covariance,
- Eigen::Matrix<double, 15,15> *jacobian)
- {
- double time=time_pair[0],end = time_pair[1];
- // the eventual covariance has little to do with this param as long as it remains small
- Eigen::Matrix<double, 3,1> r_0(T_sk_to_w.topRightCorner<3, 1>());
- Eigen::Matrix<double,3,3> C_WS_0(T_sk_to_w.topLeftCorner<3, 3>());
- Eigen::Quaternion<double> q_WS_0(C_WS_0);
- Eigen::Quaterniond Delta_q(1,0,0,0);
- Eigen::Matrix3d C_integral = Eigen::Matrix3d::Zero();
- Eigen::Matrix3d C_doubleintegral = Eigen::Matrix3d::Zero();
- Eigen::Vector3d acc_integral = Eigen::Vector3d::Zero();
- Eigen::Vector3d acc_doubleintegral = Eigen::Vector3d::Zero();
- Eigen::Matrix3d cross = Eigen::Matrix3d::Zero();
- // sub-Jacobians
- Eigen::Matrix3d dalpha_db_g = Eigen::Matrix3d::Zero();
- Eigen::Matrix3d dv_db_g = Eigen::Matrix3d::Zero();
- Eigen::Matrix3d dp_db_g = Eigen::Matrix3d::Zero();
- // the Jacobian of the increment (w/o biases)
- Eigen::Matrix<double,15,15> P_delta = Eigen::Matrix<double,15,15>::Zero();
- double Delta_t = 0;
- bool hasStarted = false;
- int i = 0;
- for (int it=0;it<measurements.size();it++)
- {
- Eigen::Vector3d omega_S_0 =measurements[it].block<3,1>(4,0);//角速度
- Eigen::Vector3d acc_S_0 = measurements[it].block<3,1>(1,0);//线加速度
- Eigen::Vector3d omega_S_1 = measurements[it+1].block<3,1>(4,0);
- Eigen::Vector3d acc_S_1 = measurements[it+1].block<3,1>(1,0);
- ave_omega_S=ave_omega_S+omega_S_0;
- ave_omega_S=ave_omega_S/(it+1);
- // time delta
- double nexttime;
- if ((it + 1) == (measurements.size()-1)) {
- nexttime = end;
- }
- else
- nexttime =measurements [it + 1][0];
- double dt = (nexttime - time);
- if ( end < nexttime) {
- double interval = (nexttime - measurements[it][0]);
- nexttime = end;
- dt = (nexttime - time);
- const double r = dt / interval;
- omega_S_1 = ((1.0 - r) * omega_S_0 + r * omega_S_1).eval();
- acc_S_1 = ((1.0 - r) * acc_S_0 + r * acc_S_1).eval();
- }
- /* if ( it+1==measurements.size()) {
- double interval = last_dt;
- nexttime = end;
- double dt = (nexttime - time);
- const double r = dt / interval;
- omega_S_1 = ((1.0 - r) * omega_S_0 + r * omega_S_1).eval();
- acc_S_1 = ((1.0 - r) * acc_S_0 + r * acc_S_1).eval();
- }
- else
- nexttime =measurements [it + 1][0];
- double dt = (nexttime - time);*/
- if (dt <= 0.0) {
- continue;
- }
- Delta_t += dt;
- if (!hasStarted) {
- hasStarted = true;
- const double r = dt / (nexttime -measurements[it][0]);
- omega_S_0 = (r * omega_S_0 + (1.0 - r) * omega_S_1).eval();//求开始是加权的角速度和线加速度
- acc_S_0 = (r * acc_S_0 + (1.0 - r) * acc_S_1).eval();
- }
- // ensure integrity
- double sigma_g_c = q_n_aw_babw(3);//Gyroscope noise density.
- double sigma_a_c = q_n_aw_babw(1);
- // actual propagation
- // orientation:
- Eigen::Quaterniond dq;
- const Eigen::Vector3d omega_S_true = (0.5*(omega_S_0+omega_S_1) - speed_bias_k.segment<3>(3));//w
- const double theta_half = omega_S_true.norm() * 0.5 * dt;
- const double sinc_theta_half = ode(theta_half);
- const double cos_theta_half = cos(theta_half);
- dq.vec() = sinc_theta_half * omega_S_true * 0.5 * dt;
- dq.w() = cos_theta_half;
- Eigen::Quaterniond Delta_q_1 = Delta_q * dq;
- // rotation matrix integral:
- const Eigen::Matrix3d C = Delta_q.toRotationMatrix();
- const Eigen::Matrix3d C_1 = Delta_q_1.toRotationMatrix();
- const Eigen::Vector3d acc_S_true = (0.5*(acc_S_0+acc_S_1) - speed_bias_k.segment<3>(6));
- const Eigen::Matrix3d C_integral_1 = C_integral + 0.5*(C + C_1)*dt;
- const Eigen::Vector3d acc_integral_1 = acc_integral + 0.5*(C + C_1)*acc_S_true*dt;
- // rotation matrix double integral:
- C_doubleintegral += C_integral*dt + 0.25*(C + C_1)*dt*dt;
- acc_doubleintegral += acc_integral*dt + 0.25*(C + C_1)*acc_S_true*dt*dt;
- // Jacobian parts
- dalpha_db_g += dt*C_1;
- const Eigen::Matrix3d cross_1 = dq.inverse().toRotationMatrix()*cross +
- okvis::kinematics::rightJacobian(omega_S_true*dt)*dt;
- const Eigen::Matrix3d acc_S_x = crossMx(acc_S_true);
- Eigen::Matrix3d dv_db_g_1 = dv_db_g + 0.5*dt*(C*acc_S_x*cross + C_1*acc_S_x*cross_1);
- dp_db_g += dt*dv_db_g + 0.25*dt*dt*(C*acc_S_x*cross + C_1*acc_S_x*cross_1);
- // covariance propagation
- if (covariance) {
- Eigen::Matrix<double,15,15> F_delta = Eigen::Matrix<double,15,15>::Identity();
- // transform
- F_delta.block<3,3>(0,3) = -crossMx(acc_integral*dt + 0.25*(C + C_1)*acc_S_true*dt*dt);
- F_delta.block<3,3>(0,6) = Eigen::Matrix3d::Identity()*dt;
- F_delta.block<3,3>(0,9) = dt*dv_db_g + 0.25*dt*dt*(C*acc_S_x*cross + C_1*acc_S_x*cross_1);
- F_delta.block<3,3>(0,12) = -C_integral*dt + 0.25*(C + C_1)*dt*dt;
- F_delta.block<3,3>(3,9) = -dt*C_1;
- F_delta.block<3,3>(6,3) = -crossMx(0.5*(C + C_1)*acc_S_true*dt);
- F_delta.block<3,3>(6,9) = 0.5*dt*(C*acc_S_x*cross + C_1*acc_S_x*cross_1);
- F_delta.block<3,3>(6,12) = -0.5*(C + C_1)*dt;
- P_delta = F_delta*P_delta*F_delta.transpose();
- // add noise. Note that transformations with rotation matrices can be ignored, since the noise is isotropic.
- //F_tot = F_delta*F_tot;
- const double sigma2_dalpha = dt * sigma_g_c * sigma_g_c;
- P_delta(3,3) += sigma2_dalpha;
- P_delta(4,4) += sigma2_dalpha;
- P_delta(5,5) += sigma2_dalpha;
- const double sigma2_v = dt * sigma_a_c * q_n_aw_babw(1);
- P_delta(6,6) += sigma2_v;
- P_delta(7,7) += sigma2_v;
- P_delta(8,8) += sigma2_v;
- const double sigma2_p = 0.5*dt*dt*sigma2_v;
- P_delta(0,0) += sigma2_p;
- P_delta(1,1) += sigma2_p;
- P_delta(2,2) += sigma2_p;
- const double sigma2_b_g = dt * q_n_aw_babw(9) * q_n_aw_babw(9);
- P_delta(9,9) += sigma2_b_g;
- P_delta(10,10) += sigma2_b_g;
- P_delta(11,11) += sigma2_b_g;
- const double sigma2_b_a = dt * q_n_aw_babw(6) * q_n_aw_babw(6);
- P_delta(12,12) += sigma2_b_a;
- P_delta(13,13) += sigma2_b_a;
- P_delta(14,14) += sigma2_b_a;
- }
- // memory shift
- Delta_q = Delta_q_1;
- C_integral = C_integral_1;
- acc_integral = acc_integral_1;
- cross = cross_1;
- dv_db_g = dv_db_g_1;
- time = nexttime;
- interval_time=Delta_t;
- last_dt=dt;
- ++i;
- if (nexttime == end)
- break;
- }
- // actual propagation output:
- const Eigen::Vector3d g_W = gwomegaw.head<3>();
- const Eigen::Vector3d t=r_0+speed_bias_k.head<3>()*Delta_t+ C_WS_0*(acc_doubleintegral)+0.5*g_W*Delta_t*Delta_t;
- const Eigen::Quaterniond q=q_WS_0*Delta_q;
- (*pred_T_skp1_to_w)=rt_to_T(t,q.toRotationMatrix());
- (*pred_speed_kp1)=speed_bias_k.head<3>() + C_WS_0*(acc_integral)+g_W*Delta_t;//???语法曾有错误
- if (jacobian) {
- Eigen::Matrix<double,15,15> & F = *jacobian;
- F.setIdentity(); // holds for all states, including d/dalpha, d/db_g, d/db_a
- F.block<3,3>(0,3) = -okvis::kinematics::crossMx(C_WS_0*acc_doubleintegral);
- F.block<3,3>(0,6) = Eigen::Matrix3d::Identity()*Delta_t;
- F.block<3,3>(0,9) = C_WS_0*dp_db_g;
- F.block<3,3>(0,12) = -C_WS_0*C_doubleintegral;
- F.block<3,3>(3,9) = -C_WS_0*dalpha_db_g;
- F.block<3,3>(6,3) = -okvis::kinematics::crossMx(C_WS_0*acc_integral);
- F.block<3,3>(6,9) = C_WS_0*dv_db_g;
- F.block<3,3>(6,12) = -C_WS_0*C_integral;
- }
- // overall covariance, if requested
- if (covariance) {
- Eigen::Matrix<double,15,15> & P = *covariance;
- // transform from local increments to actual states
- Eigen::Matrix<double,15,15> T = Eigen::Matrix<double,15,15>::Identity();
- T.topLeftCorner<3,3>() = C_WS_0;
- T.block<3,3>(3,3) = C_WS_0;
- T.block<3,3>(6,6) = C_WS_0;
- P = T * P_delta * T.transpose();
- }
- }
以上code来自以下公式：
其中认为角速度w和加速度a在连续两次imu测量之间是匀速的，因此上式可写成：
因此最终公式：
上面公式给出5个变量（R，V，P，b，W）中的3个最重要的变量：R，V，P。
而偏差变量b我们可以初始化的时候可以设为0（其实最好是要求出来的，这里就不给出推倒公式了）。
下面的们就是有关W（权重）的公式了。
其中
到此为止已经把imu时间误差项求完。
下一篇将是怎样把时间误差项融合到目标函数里（主要是局部地图的优化）
1724
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
