vio论文阅读

摘要：
一个单目的VINS，由一个相机和一个低价格的IMU组成，组成了一个六个自由度的状态估计。但是，缺乏直接的距离测量在IMU处理，估计初始化，外部标定，非线性优化上提出了挑战。我们的方法由一个状态初始化和失败恢复的鲁棒过程开始。通过将IMU测量的预积分和特征观测，一个紧凑的非线性优化方法用来获得高精度的VIO。一个回环检测，结合紧凑的方法，使重定位的计算量达到最小。我们进行了四个自由度的姿态图优化来确保整体连续性。
导论
状态估计在很多应用，如机器人导航，自动驾驶，VR，AR上都是基础的模块。单目相机的方法由于其低价，小尺寸和简单的硬件而获得青睐。但是，单目由于其尺度不确定在真实应用中受到限制。最近，单目视觉系统和IMU结合的趋势持续上升。其主要优势在于有米的尺度和俯仰和翻滚角(pitch roll)角度，使其可以应用在需要米状态估计的应用。并且，IMU测量的积分显著提升了移动追踪的能力，消除了视觉追踪在视觉变化和纹理缺乏，运动模糊的缺陷。事实上，单目VINS不仅在机器人，飞机和移动设备上应用，它也是足够自身和环境感知的最少的传感器元件。
但是，这些优势的代价在于，对单目vins来说，加速度的积分来让米尺度可观测。这隐含着单目VINS估计其不可以从一个静止的状态开始，而是从一个未知的移动状态开始。并且VINS系统是高度非线性的，在hangtag初始化时具有很大的挑战。双传感器让相机的外标定很重要。最后为了消除长时间漂移，一个完整的具有VINS里程计，回环检测，重定位和全局最优化的系统需要被开发。
我们的方法从飞行估计器初始化开始。相同的初始化模块也用于失败恢复。我们的方法核心是一个鲁棒的基于紧耦合滑动窗口的非线性优化的VIO。单目VIO不仅提供了精确的当地的姿态，速度和朝向估计，它也实施了相机IMU外部标定和IMU偏移修正。回环使用DBoW2来检测。重定位被在一个紧凑的装置实施通过单目VIO的特征层面的融合，这可以在最小的计算量下实施鲁棒和精确的重定位。最后，几何的回环检测被加入到图优化（由于VIO可以观测到横贯和俯仰角）
最近的工作
最简单的方法来处理视觉和惯性测量是松耦合传感器融合，IMU备用来辅助仅依靠视觉的状态估计。融合依靠EKF或者图优化来完成，相机和IMU数据从原始测量层面被使用。MSCKF是一个普遍的VIO方法。MSCKF保持了若干之前的相机姿态在状态变量里，使用多项及视角相同的特征来构建多约束更新。SR-ISWF是MSCKF的以恶搞扩展。它使用开方形式来实施单精度的表示，避免不好的数值属性。这个方法使用逆滤波器来进行迭代再线性化，等价余优化为基础的算法。图优化或者BA技术保持和优化了所有的测量结果来获得优化的状态估计。为了获得稳定的处理时间，通常基于图优化的VIO的方法通常优化最近的一些状态然后边缘化之前的状态和测量。由于迭代优化巨大的计算量，很少图优化的方法可以运用到实施资源限制的平台，如移动设备上。
对于视觉测量处理，算法可以分为直接和非直接法。直接法优化光流误差而非直接法最小化几何不一致。直接法要求一个好的初始估计根据他们小区域的吸引而非直接法消耗额外的计算资源来提取和匹配特征。非直接法由于其成熟和鲁棒性在真实世界应用更多。但是，直接法更容易在稠密见图时应用因为他们直接在像素的层面操作。
通常，IMU比相机获取数据的速度更快。不同的方法提出来处理更高速度的IMU测量。最直接的方法是在EKF基础的状态传播上用IMU。在图优化过程中，一个有效的工具 IMU预积分用来避免重复积分。此技术首次在被引入，使用欧拉角来参数化旋转误差。预积分https://blog.csdn.net/LilyNothing/article/details/79113841改进的方法可以添加进IMU偏差修正。
精确的初始值对启动一个单目VINS来至关重要。一个线性状态估计初始化的方法影响相对旋转的IMU预积分被提出。但是，这种方法并没有对加速度计的偏差进行建模，不可以对原始投影方程里的传感器噪声建模

总览：

步骤1.测量预处理，图片的特征被提取和追踪，IMU的测量被预积分
2初始化过程提供所有需要的值（包括姿态，速度，重力向量，加速度计偏差和3维特征位置来）来帮助解析爱来的非线性优化VIO。
3.VIO和重定位融合了IMU测量，特征观测和回环检测的特征。
4姿态图优化过程利用几何验证的重定位结果，进行全局优化来消除漂移。VIO，重定位和姿态图优化在多线程运行。
测量预处理