[从零写VIO|第七节]——VINS-Mono代码精简版代码详解——初始化3视觉IMU对齐(内容|代码)

最新推荐文章于 2022-07-13 17:18:44 发布

いしょ

最新推荐文章于 2022-07-13 17:18:44 发布

阅读量2.1k

点赞数 3

分类专栏：从零手写VIO

本文链接：https://blog.csdn.net/weixin_40224537/article/details/106315503

版权

从零手写VIO 专栏收录该内容

24 篇文章 68 订阅

订阅专栏

接上一篇——视觉初始化的代码和内容的讲解,我们对所有的图像帧(滑动窗口内与外all)提供初始R、T估计，然后进行pnp优化，同时我们也得到了它们对应的IMU坐标系到 $l$ 系的旋转平移。现在进行视觉惯性联合初始化。

【为什么要用视觉惯性联合初始化？怎样联合？】

对于单目系统：

视觉系统只能获得二维信息，损失了一维信息(深度)——>利用三角化重新获得损失的深度信息；
相机之间是非米制单位表示(s尺度因子)，IMU与相机之间是米制单位，需要将其统一——>用IMU来标定这个尺度——>利用IMU预积分，得到PVQ的P；
IMU存在bias，视觉获得的旋转矩阵不存在bias——>用视觉来标定IMU的旋转bias；
世界坐标系这个先验信息的确定？——>通过初始化能借助g来确定；

对于双目系统：
双目可以确定深度，只需要通过g的方向(先验)来确定世界坐标系。

【注意】这个初始化只进行一次就够了，大部分时候，系统都处于NON_LINEAR的状态。因为，一次初始化后，就能确定尺度scaler和bias初始值，scaler确定后，在初始化获得的这些路标点都准确，后续通过PnP或者BA得到的特征点都是真实尺度。但bias初始值确定以后，在后续的非线性优化过程中，会实时更新。

具体流程图：
在这里插入图片描述

initialStructure()主要代码：

bool Estimator::initialStructure()
{    
    TicToc t_sfm;
    //1.1 通过滑窗内所有帧的线加速度的标准差判断IMU的运动情况 check imu observibility
    ...
    var = sqrt(var / ((int)all_image_frame.size() - 1));
    if (var < 0.25)        
    {            
        // ROS_INFO("IMU excitation not enouth!");            
        //return false;        
    }
    ...
    // 1.2 更新sfm_f 将f_manager.feature中的feature存储到sfm_f中    
    for (auto &it_per_id : f_manager.feature) // 遍历滑窗中出现的所有特征点    
    {     ...
         {
             tmp_feature.observation.push_back(make_pair(imu_j, Eigen::Vector2d{pts_j.x(), pts_j.y()}));
         }
         sfm_f.push_back(tmp_feature);
    }
    // 1.3 求解最新帧和滑动窗口中第一个满足条件的帧之间的位姿关系
    ....
    if (!relativePose(relative_R, relative_T, l))    
    {        
        cout << "Not enough features or parallax; Move device around" << endl;        
        return false;    
    }
    // 1.4 对窗口中每个图像帧求解sfm问题
    GlobalSFM sfm;    
    if (!sfm.construct(frame_count + 1, Q, T, l,                       relative_R, relative_T,                       
                       sfm_f, sfm_tracked_points))  
    {   
        // SFM重建失败        
        cout << "global SFM failed!" << endl;        
        marginalization_flag = MARGIN_OLD; // 边缘化标志设置        
        return false; // 初始化失败    
    }
    // 1.5 solve pnp for all frame
    ...
    if (!cv::solvePnP(pts_3_vector, pts_2_vector, K, D, rvec, t, 1)) // 输出帧间的变换rvec, t        
    {            
        cout << " solve pnp fail!" << endl;            
        return false;        
    }
    ...
    // 1.6 视觉惯性联合优化    
    if (visualInitialAlign())        
        return true;    
    else    
    {        
        cout << "misalign visual structure with IMU" << endl;        
        return false;    
    }
}

由于视觉惯性联合优化的代码也比较多，这里我们先分析视觉和IMU对齐部分。
要完成的部分是：
在这里插入图片描述
关于VisualIMUAlignment这部分的视觉和IMU对齐初始化的流程图：

下面对VisualIMUAlignment的代码进行分析。以下内容对应上一篇博客的1.6部分。

1. 计算陀螺仪偏置，尺度，重力加速度和速度

bool Estimator::visualInitialAlign()
{    
    TicToc t_g; // 时间    
    VectorXd x;    
    //solve scale    
    bool result = VisualIMUAlignment(all_image_frame, Bgs, g, x);    
    if (!result)    
    {        
        //ROS_DEBUG("solve g failed!");        
        return false;    
     }
     ...
}

实现函数在VisualIMUAlignment(all_image_frame, Bgs, g, x);实现视觉和IMU的对齐。

bool VisualIMUAlignment(map<double, ImageFrame> &all_image_frame, Vector3d *Bgs, Vector3d &g, VectorXd &x);

进去VisualIMUAlignment()函数，此代码在initial_alignment.cpp;

bool VisualIMUAlignment(map<double, ImageFrame> &all_image_frame, Vector3d* Bgs, Vector3d &g, VectorXd &x)
{    
    // 利用相机旋转约束标定IMU角速度bias
    solveGyroscopeBias(all_image_frame, Bgs);
    // 利用IMU的平移约束估计重力方向/各b_k帧速度/尺度scaler
    if(LinearAlignment(all_image_frame, g, x))        
        return true;    
    else         
        return false;
}

现在，分别分析solveGyroscopeBias()和LinearAlignment()函数。

1.1 利用相机旋转约束标定IMU角速度bias：solveGyroscopeBias()

1.1.1 理论

【理论】
在这里插入图片描述

外参数 $q_{bc}$ 标定好后，可以利用旋转约束，可估计陀螺仪 bias：
在这里插入图片描述
有下式：

在这里插入图片描述
其中，B 表示所有的图像关键帧集合。在SfM完成且外参数标定完之后，公式中黄色部分已知(假设很准)。蓝色部分是IMU预积分得到的，而预积分里面有bias，所以，通过最小化这个目标函数，可以把旋转bias标定出来。

预积分的一阶泰勒近似为：
在这里插入图片描述
原来的式子可以表示成：

$q_{b_kb_{k+1}}$ = $q^{-1}_{c_0b_{k}}\bigotimes{q_{c_0b_{k+1}}}\bigotimes{}$ $\left[ \begin{matrix} 1 \\ 0 \end{matrix} \right]$

代入bias残差后可得：

$\hat{q}_{b_kb_{k+1}}\bigotimes{}$ $\left[ \begin{matrix} 1 \\ \frac{1}{2}J^q_{b^g}\delta{b^g} \end{matrix} \right]$ = $q^{-1}_{c_0b_{k}}\bigotimes{q_{c_0b_{k+1}}}\bigotimes{}$ $\left[ \begin{matrix} 1 \\ 0 \end{matrix} \right]$

实部没有需要标定的量，所以只用考虑虚部，可以得到：

$J^q_{b^g}\delta{b^g}$ = $2(\hat{q}^{-1}_{b_kb_{k+1}}\bigotimes{}$ $q^{-1}_{c_0b_{k}}\bigotimes{q_{c_0b_{k+1}}})$

等式两边同时乘以 ${J^q_{b^g}}^T$ ，可以构造出 $A\delta{b^g}=B$ 正定方程的形式，在采用LDLT分解，就可以求出状态量 $\delta{b^g}$ ：

${J^q_{b^g}}^T$ $J^q_{b^g}\delta{b^g}$ = 2 ${J^q_{b^g}}^T$ $(\hat{q}^{-1}_{b_kb_{k+1}}\bigotimes{}$ $q^{-1}_{c_0b_{k}}\bigotimes{q_{c_0b_{k+1}}})$

1.1.2 代码

【代码】
此公式 $A\delta{b^g}=B$ 的内容与代码完全对应,代码的解析已经在代码中的注释中表明：

void solveGyroscopeBias(map<double, ImageFrame> &all_image_frame, Vector3d* Bgs)
{    
    // 1.参数的传入和容器的定义    
    // 传入的参数是all_image_frame    
    // frame_i和frame_j分别读取all_image_frame中的相邻两帧    
    Matrix3d A;    
    Vector3d b;    
    Vector3d delta_bg;    
    A.setZero();    
    b.setZero();    
    map<double, ImageFrame>::iterator frame_i;    
    map<double, ImageFrame>::iterator frame_j;    

    // 2. 构造Ax=b等式    
    for (frame_i = all_image_frame.begin(); next(frame_i) != all_image_frame.end(); frame_i++)    
    {        
        frame_j = next(frame_i);        
        MatrixXd tmp_A(3, 3);        
        tmp_A.setZero();        
        VectorXd tmp_b(3);        
        tmp_b.setZero();        
        // 得到相邻两帧的旋转四元数：q_ij        
        Eigen::Quaterniond q_ij(frame_i->second.R.transpose() * frame_j->second.R); // 运算中的R都是相对于l帧的        
        // q相对于陀螺仪bias的雅可比        
        tmp_A = frame_j->second.pre_integration->jacobian.template block<3, 3>(O_R, O_BG);        
        tmp_b = 2 * (frame_j->second.pre_integration->delta_q.inverse() * q_ij).vec();        
        A += tmp_A.transpose() * tmp_A;        
        b += tmp_A.transpose() * tmp_b;
    }    
    // 3.ldlt分解    
    delta_bg = A.ldlt().solve(b);    
    // ROS_WARN_STREAM("gyroscope bias initial calibration " << delta_bg.transpose());
    // 4. 给滑窗内的IMU预积分加入角速度bias    
    for (int i = 0; i <= WINDOW_SIZE; i++)        
        Bgs[i] += delta_bg;
    // 5.重新计算所有帧的IMU积分(重要！)    
    for (frame_i = all_image_frame.begin(); next(frame_i) != all_image_frame.end( ); frame_i++)    
    {        
        frame_j = next(frame_i);        
        frame_j->second.pre_integration->repropagate(Vector3d::Zero(), Bgs[0]);    
    }
}

其中，repropagate()的预积分重新传播函数，针对的是从 $b_k$ 到 $b_{k+1}$ 的PVQ传播矫正和误差传递矫正。

void repropagate(const Eigen::Vector3d &_linearized_ba, const Eigen::Vector3d &_linearized_bg)    
{        
    sum_dt = 0.0; // the gap between IMU plot        
    acc_0 = linearized_acc; // a at bk in bk coordinate        
    gyr_0 = linearized_gyr; // w at bk in bk coordinate        
    // 预积分        
    delta_p.setZero(); //alpha         
    delta_q.setIdentity(); 
    // gama trans bi to bk        
    delta_v.setZero(); // beta        
    linearized_ba = _linearized_ba; // a bias        
    linearized_bg = _linearized_bg; // w bias        
    jacobian.setIdentity();        
    covariance.setZero();        
    for (int i = 0; i < static_cast<int>(dt_buf.size()); i++)            
        propagate(dt_buf[i], acc_buf[i], gyr_buf[i]);    
}

其中，propagate()传播函数，针对的是 $b_k$ 和 $b_{k+1}$ 内部的 $i$ 时刻到 $i + 1$ 时刻的PVQ传播和误差传递。

// 传播函数，针对的是bk和bk+1内部的i时刻到i+1时刻的PVQ传播和误差传递。    
void propagate(double _dt, const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1)    
{        
    dt = _dt;        
    acc_1 = _acc_1; // a at time t=t+dt        
    gyr_1 = _gyr_1; // w at time t=t+dt        
    Vector3d result_delta_p;        
    Quaterniond result_delta_q;        
    Vector3d result_delta_v;        
    Vector3d result_linearized_ba;        
    Vector3d result_linearized_bg;
    
    //中值积分法(略)
    midPointIntegration(_dt, acc_0, gyr_0, _acc_1, _gyr_1, delta_p, delta_q, delta_v,                            
                        linearized_ba, linearized_bg,                            
                        result_delta_p, result_delta_q, result_delta_v,                            
                        result_linearized_ba, result_linearized_bg, 1);
    //checkJacobian(_dt, acc_0, gyr_0, acc_1, gyr_1, delta_p, delta_q, delta_v,        
    //                    linearized_ba, linearized_bg);        
    delta_p = result_delta_p; // alpha_i+1        
    delta_q = result_delta_q; // gama_i+1 from i+1 coordinate to bk        
    delta_v = result_delta_v; // beta_i+1        
    linearized_ba = result_linearized_ba;        
    linearized_bg = result_linearized_bg;        
    delta_q.normalize();        
    sum_dt += dt; // time for bk to bk+1        
    acc_0 = acc_1; // a_i+1 at bi+1 coordinate        
    gyr_0 = gyr_1; // w_i+1            
}

其中， midPointIntegration()中值法预积分的内容和详细代码在我的另一篇博客——指路

1.2 利用IMU的平移约束估计重力方向/各 $b_k$ 帧速度/尺度scaler

需要优化的状态量是各帧在 $b_k$ 坐标系下的速度， $c_0$ 帧下的重力g和SfM的尺度scaler：
在这里插入图片描述

1.2.1 理论

$\red{又回头仔细看了这部分代码，下面所有的c_0帧坐标系，实际上都是指在滑动窗口内与新帧视差最大的参考帧c_l帧，}$ $\red{所求解出来的重力g也是相对于c_l帧坐标系的,最终的相机坐标系c_0与世界坐标系的对齐工作，}$ $\red{也是先实现c_l帧坐标系与世界坐标系的对齐，}$ $\red{再实现相机坐标系c_0与世界坐标系的对齐...下面的符号就不改动了}$
回顾IMU预积分约束：

世界坐标系下：
在这里插入图片描述
即，

w坐标系我们不知道，只知道 $c_0$ 坐标系，所以需要把上面的公式转到 $c_0$ 坐标系上，将世界坐标系 w 换成相机初始时刻坐标系 $c_0$ 有:

将上式结合公式(3):

在这里插入图片描述
可得：

将带估计变量分开，转为 A x = b这种线性方程组的形式：

矩阵的形式即为：

$\beta$ 也是类似的：

把这两个矩阵合体，可得：

同样采用LDLT分解，就能求出状态量：

代码中还加上了信息矩阵，anyway.

1.2.2 代码

LinearAlignment();相关代码的解析都在代码中以注释的方式呈现。

// 利用IMU的平移约束估计重力方向/各b_k帧速度/尺度scalerbool 
LinearAlignment(map<double, ImageFrame> &all_image_frame, Vector3d &g, VectorXd &x)
{    
    // 1. 参数的传入和容器的定义    
    // 传入的参数是all_image_frame，不仅仅是滑窗内的帧    
    // frame_i和frame_j分别读取all_image_frame中的相邻两帧    
    int all_frame_count = all_image_frame.size();     
    int n_state = all_frame_count * 3 + 3 + 1; // 需要优化的状态量的个数
    
    MatrixXd A{n_state, n_state};   
    A.setZero();    
    VectorXd b{n_state};    
    b.setZero();
    
    map<double, ImageFrame>::iterator frame_i;    
    map<double, ImageFrame>::iterator frame_j;    

    // 2. 构造Ax=b等式    
    int i = 0;    
    for (frame_i = all_image_frame.begin(); next(frame_i) != all_image_frame.end(); frame_i++, i++)    
    {        
        frame_j = next(frame_i);
        
        MatrixXd tmp_A(6, 10);        
        tmp_A.setZero();        
        VectorXd tmp_b(6);        
        tmp_b.setZero();
        
        double dt = frame_j->second.pre_integration->sum_dt;
        
        tmp_A.block<3, 3>(0, 0) = -dt * Matrix3d::Identity();        
        tmp_A.block<3, 3>(0, 6) = frame_i->second.R.transpose() * dt * dt / 2 * Matrix3d::Identity();        
        tmp_A.block<3, 1>(0, 9) = frame_i->second.R.transpose() * (frame_j->second.T - frame_i->second.T) / 100.0;             
        tmp_b.block<3, 1>(0, 0) = frame_j->second.pre_integration->delta_p + frame_i->second.R.transpose() * frame_j->second.R * TIC[0] - TIC[0]; 
        // TIC[0]:p_bc        //cout << "delta_p   " << frame_j->second.pre_integration->delta_p.transpose() << endl;  
              
        tmp_A.block<3, 3>(3, 0) = -Matrix3d::Identity();        
        tmp_A.block<3, 3>(3, 3) = frame_i->second.R.transpose() * frame_j->second.R;        
        tmp_A.block<3, 3>(3, 6) = frame_i->second.R.transpose() * dt * Matrix3d::Identity();        
        tmp_b.block<3, 1>(3, 0) = frame_j->second.pre_integration->delta_v;        
        //cout << "delta_v   " << frame_j->second.pre_integration->delta_v.transpose() << endl;
        
        // 加上了信息矩阵cov_inv        
        Matrix<double, 6, 6> cov_inv = Matrix<double, 6, 6>::Zero();        
        //cov.block<6, 6>(0, 0) = IMU_cov[i + 1];        
        //MatrixXd cov_inv = cov.inverse();        
        cov_inv.setIdentity();
        
        MatrixXd r_A = tmp_A.transpose() * cov_inv * tmp_A;        
        VectorXd r_b = tmp_A.transpose() * cov_inv * tmp_b;
        
        // 放入所有帧的A,b;叠加操作        
        A.block<6, 6>(i * 3, i * 3) += r_A.topLeftCorner<6, 6>();        
        b.segment<6>(i * 3) += r_b.head<6>();
        
        A.bottomRightCorner<4, 4>() += r_A.bottomRightCorner<4, 4>();        
        b.tail<4>() += r_b.tail<4>();
        
        A.block<6, 4>(i * 3, n_state - 4) += r_A.topRightCorner<6, 4>();        
        A.block<4, 6>(n_state - 4, i * 3) += r_A.bottomLeftCorner<4, 6>();    
    }    
    A = A * 1000.0; // 免得数据过小???    
    b = b * 1000.0;    
    
    // 3. ldlt分解，得到尺度和g的初始值，并用先验判断    
    x = A.ldlt().solve(b);
    // 从求解出的x向量里边取出最后边的尺度s    
    double s = x(n_state - 1) / 100.0;    
    // ROS_DEBUG("estimated scale: %f", s); 
    // 取出对重力向量g的计算值    
    g = x.segment<3>(n_state - 4);    
    // ROS_DEBUG_STREAM(" result g     " << g.norm() << " " << g.transpose());    
    if(fabs(g.norm() - G.norm()) > 1.0 || s < 0)    
    {        
        // 如果重力加速度与参考值差太大或者尺度为负则说明计算错误        
        return false;    
    }
    // ！！！ 利用gw的模长已知这个先验条件进一步优化gc0(下面接着介绍)
    RefineGravity(all_image_frame, g, x);    
    s = (x.tail<1>())(0) / 100.0;    
    (x.tail<1>())(0) = s;    
    // ROS_DEBUG_STREAM(" refine     " << g.norm() << " " << g.transpose());    
    if(s < 0.0 )        
        return false;       
    else        
        return true;
}

【⚠】
$\red{ // 从求解出的x向量里边取出最后边的尺度s}$
$\red{double s = x(n_state - 1) / 100.0;}$

1.3 利用 $g_w$ 的模长已知这个先验条件进一步优化 $g_{c_0}$

1.3.1 理论

为什么需要优化重力向量？
重力的模长在某一区域内是固定的，而 $g_{c_0}$ 与其他变量放在一起进行任意优化，不会保证模长限制，比如 $g_{c_0} ∥$ = 9.81;而模长的不确定性会影响其他变量的优化结果。

再有，三维变量 $g_{c_0}$ 实际只有两个自由度，因为它的模长是已知的。

我们采用球面坐标进行参数化，也就是以g的模长为半径画一个半球，上图蓝色线对应的是 $g_{c_0}$ 的测量值的方向(也就是优化前的方向)，在这个交点上找到一个切平面，用 $g_{c_0}$ ， $b_1$ ， $b_2$ 构造一个坐标系，那么在轴 $b_1$ 和 $b_2$ 上坐标值 $w_1$ 和 $w_2$ 就是我们要求的量，从而得到优化后的 $g_{c_0}$ 值(方向)。
在这里插入图片描述

三维向量自由度为 2，可以采用球面坐标进行参数化：
在这里插入图片描述
$b_1$ 的方向是由 $g_{c_0}$ 的测量值的方向与[1,0,0]作叉乘得到的， $b_2$ 的方向是由 $g_{c_0}$ 的测量值的方向与b1作叉乘(与两者都垂直的向量)得到的。

将公式 (19) 代入前面的优化方程, 待优化变量变为：
在这里插入图片描述
其中 $w^{c_0}$ = $\left[ \begin{matrix} w_1 \\ w_2 \end{matrix} \right]$ ;

观测方程b变为：
在这里插入图片描述
原AX=b方程即为：

同样使用LDLT分解：

这一部分做的工作和 1.2 利用IMU的平移估计重力/各bk帧速度/尺度scaler 是相似的，但这是在1.2基础上进一步做的工作。

1.3.2 代码

RefineGravity();相关代码的解析都在代码中以注释的方式呈现。

除了构建切平面空间以及b的表示不同(代公式即可)，其他都与上面介绍的1.2一样，参考下前面即可。

// 1.3  利用g_w的模长已知这个先验条件进一步优化g_{c_0}
void RefineGravity(map<double, ImageFrame> &all_image_frame, Vector3d &g, VectorXd &x)
{    
    // (1)参数的传入和容器的定义
    // 为g0增加模长限制    
    Vector3d g0 = g.normalized() * G.norm(); // norm()：范数，g的模长    
    Vector3d lx, ly;    
    //VectorXd x;    
    int all_frame_count = all_image_frame.size();    
    int n_state = all_frame_count * 3 + 2 + 1;
    
    MatrixXd A{n_state, n_state};    
    A.setZero();    
    VectorXd b{n_state};    
    b.setZero();
    
    map<double, ImageFrame>::iterator frame_i;    
    map<double, ImageFrame>::iterator frame_j;    
    
    // (2)一共迭代四次求解，并构建切向空间    
    for(int k = 0; k < 4; k++)    
    {        
        MatrixXd lxly(3, 2);         
        // 切向空间的构建，返回公式中的b1,b2;代码的话放在bc矩阵中        
        lxly = TangentBasis(g0);
                
        // (3) 构造Ax=b等式        
        int i = 0;        
        for (frame_i = all_image_frame.begin(); next(frame_i) != all_image_frame.end(); frame_i++, i++)        
        {            
            frame_j = next(frame_i);
            
            MatrixXd tmp_A(6, 9);            
            tmp_A.setZero();            
            VectorXd tmp_b(6);            
            tmp_b.setZero();
            
            double dt = frame_j->second.pre_integration->sum_dt;

            tmp_A.block<3, 3>(0, 0) = -dt * Matrix3d::Identity();            
            tmp_A.block<3, 2>(0, 6) = frame_i->second.R.transpose() * dt * dt / 2 * Matrix3d::Identity() * lxly;            
            tmp_A.block<3, 1>(0, 8) = frame_i->second.R.transpose() * (frame_j->second.T - frame_i->second.T) / 100.0;                 
            tmp_b.block<3, 1>(0, 0) = frame_j->second.pre_integration->delta_p + frame_i->second.R.transpose() * frame_j->second.R * TIC[0] - TIC[0] - frame_i->second.R.transpose() * dt * dt / 2 * g0; // g0已知
            
            tmp_A.block<3, 3>(3, 0) = -Matrix3d::Identity();            
            tmp_A.block<3, 3>(3, 3) = frame_i->second.R.transpose() * frame_j->second.R;            
            tmp_A.block<3, 2>(3, 6) = frame_i->second.R.transpose() * dt * Matrix3d::Identity() * lxly;            
            tmp_b.block<3, 1>(3, 0) = frame_j->second.pre_integration->delta_v - frame_i->second.R.transpose() * dt * Matrix3d::Identity() * g0;

            Matrix<double, 6, 6> cov_inv = Matrix<double, 6, 6>::Zero();            
            //cov.block<6, 6>(0, 0) = IMU_cov[i + 1];            
            //MatrixXd cov_inv = cov.inverse();            
            cov_inv.setIdentity();
            
            MatrixXd r_A = tmp_A.transpose() * cov_inv * tmp_A;            
            VectorXd r_b = tmp_A.transpose() * cov_inv * tmp_b;
            
            A.block<6, 6>(i * 3, i * 3) += r_A.topLeftCorner<6, 6>();            
            b.segment<6>(i * 3) += r_b.head<6>(); 
            
            A.bottomRightCorner<3, 3>() += r_A.bottomRightCorner<3, 3>();            
            b.tail<3>() += r_b.tail<3>();
            
            A.block<6, 3>(i * 3, n_state - 3) += r_A.topRightCorner<6, 3>();            
            A.block<3, 6>(n_state - 3, i * 3) += r_A.bottomLeftCorner<3, 6>();        
        }            
        A = A * 1000.0;            
        b = b * 1000.0;            
        // (4)ldlt分解，得到优化后的状态量x            
        x = A.ldlt().solve(b);            
        VectorXd dg = x.segment<2>(n_state - 3);            
        // 公式(19)的实现            
        g0 = (g0 + lxly * dg).normalized() * G.norm();            
        //double s = x(n_state - 1);    
    }       
    g = g0;
}

注意，代码中 $g_0$ 代表 $||g||*\hat{g}_{c_0}$ ， $∣ ∣ g ∣ ∣$ 是要代入的模长限制， $\hat{g}_{c_0}$ 是1.2部分估算出的g的单位向量(加入模长限制优化前)。

Vector3d g0 = g.normalized() * G.norm();

其中，切平面空间的构建TangentBasis()，切空间坐标系b\c的确定完全参照公式(20)：

// 切向空间的构建
MatrixXd TangentBasis(Vector3d &g0)
{    
    Vector3d b, c;    
    Vector3d a = g0.normalized(); // g0的单位向量    
    Vector3d tmp(0, 0, 1);    
    if(a == tmp)        
        tmp << 1, 0, 0;    
    b = (tmp - a * (a.transpose() * tmp)).normalized();    
    c = a.cross(b); // 叉乘 
       
    MatrixXd bc(3, 2);    
    bc.block<3, 1>(0, 0) = b;    
    bc.block<3, 1>(0, 1) = c;
        
    return bc; // 切平面坐标系
}

2. 视觉SFM运动和IMU预积分结果对齐后位姿的计算

至此，VisualIMUAlignment()初始化完成，我们估计得到了陀螺仪bias、有模长限制的重力、各个帧的速度以及尺度初始值。

现在回到visualInitialAlign()视觉惯性联合优化。

在将从视觉SFM中估计出来的位姿信息和IMU预积分的结果对齐之后，我们需要获得世界坐标系中的位姿，也就是计算出PVQ，这样就完成了位姿的初始化估计，后边将用于进行单目紧耦合的VIO操作。

具体包括：

获取滑动窗口内所有图像帧相对于第l帧的位姿信息Ps、Rs，并将其置为关键帧
重新计算所有f_manager的特征点深度
重新计算滑窗内的预积分
将 $P_s、V_s$ 、depth尺度s缩放后从l帧转变为相对于 $c_0$ 帧图像坐标系下
利用 $g_{c_0}$ 和 $g_w$ 确定世界坐标系，也就是实现相机坐标系对齐世界坐标系。

先说一下相机坐标系对齐世界坐标系的理论以及后续的操作，具体代码的解析见下一篇博客。

相机坐标系对齐世界坐标系

在这里插入图片描述

对齐流程：
(1) 找到 $c_0$ 到w系的旋转矩阵 $R_{wc_0} = exp([θu])$
在这里插入图片描述
解释下具体原理：
根据前面的一系列操作， $g_{c_0}$ 已经求出，而 $g_w$ 一直是已知量，因此它们之间的夹角θ根据公式可求；

然后我们可以用 $g_{c_0}$ 和 $g_w$ 作叉乘得到一个旋转轴u；

最后把 $c_0$ 坐标系，绕着转轴旋转一个θ，就能找到 $c_0$ 到 w 系的对齐关系，也就是 $R_{wc_0} = exp([θu])$ 。
(2) 把所有 $c_0$ 坐标系下的变量旋转到 w系下
所有量都乘上 $R_{wc_0}$ 就可以了。我们定义的 $c_0$ 与 w 系的原点坐标是重合的。

~~(3) 把相机平移和特征点尺度恢复到米制单位~~

后面的内容在我的另一篇博客——指路

いしょ

关注

3
点赞
踩
34

收藏

觉得还不错? 一键收藏
3
评论
[从零写VIO|第七节]——VINS-Mono代码精简版代码详解——初始化3视觉IMU对齐(内容|代码)

接上一篇——视觉初始化的代码和内容的讲解,我们对所有的图像帧(滑动窗口内与外all)提供初始R、T估计，然后进行pnp优化，同时我们也得到了它们对应的IMU坐标系到lll系的旋转平移。现在进行视觉惯性联合初始化。具体流程图：initialStructure()主要代码：bool Estimator::initialStructure(){ TicToc t_sfm; //1.1 通过滑窗内所有帧的线加速度的标准差判断IMU的运动情况 check imu observibil
复制链接

扫一扫