imu 里程计融合_视觉惯性里程计Visual–Inertial Odometry(VIO)概述

周围很多朋友开始做vio了，之前在知乎上也和胖爷讨论过这个问题，本文主要来自于知乎的讨论。

个人理解错误的地方还请不吝赐教，转载请标明出处，内容如有改动更新，请看原博：http://www.cnblogs.com/hitcm/，如有任何问题，feel free to contact me at robotsming@gmail.com

如有问题,请及时反馈给我,博客会持续更新。

1.基本概述与分类

按照Davide Scaramuzza的分类方法，首先分成filter-based和optimization-based的两个大类，这也和一般SLAM系统的分类方法类似。

按照是否把图像特征信息加入状态向量来进行分类，可以分为松耦合(loosely-coupled，下面的losely是笔误)和紧耦合(tightly-coupled)。

这是两种独立的分类方法，首先看是基于滤波还是优化的，然后进一步根据状态向量中是否加入了图像的特征信息来判断松紧耦合。

VIO主要尝试的是融合Viusal和IMU的信息，因此后面的论述中也就主要考虑这两种数据。

2.Filter-based

利用滤波的方法进行多传感器的数据融合是一个很正常的套路。

按照是否把图像特征信息加入特征向量来进行分类，可以分为紧耦合和松耦合。

2.1紧耦合

紧耦合需要把图像feature进入到特征向量去，因此整个系统状态向量的维数会非常高，因此也就需要很高的计算量。比较经典的算法是MSCKF，ROVIO。

2.2紧耦合举例-msckf

以比较