1. 改进思路
接下来的章节中会介绍MSCKF的各种改进方法,目的都是为了提高VIO的精度、稳定性、鲁棒性,其中大部分是为了提高精度。VIO的核心是视觉和IMU的融合,所以不论是滤波方法(MSCKF)还是优化方法(VINS),改进的思路都可以从IMU、视觉和融合这三方面着手:
- 提升IMU
- 更高精度的IMU
- 更准的IMU标定模型
- 更高的采样频率(200HZ, 500HZ, 1000HZ)
- 更高精度的IMU积分方法:Euler, Midpoint, RK4
- 提升视觉
- 提升图像质量:高动态范围相机,ISP,前端直方图均衡化
- 增加图像观测:加大FOV,扩展双目或多目
- 使用性能更好的特征:SURF, SIFT
- 全局快门
- 提升融合算法
- 数据同步:传感器数据同步对VIO精度影响非常大,对数据做硬件同步、软件同步,还可以将同步误差
加到算法中实时估计,进一步降低同步误差的影响。
- 标定参数估计:包括相机内参标定、IMU与相机之间外参标定、双目外参标定,标定参数不准也会影响算法精度,可以将标定参数加入到算法中,以标定结果作为初始值,在VIO过程中实时估计内外参。
- 视觉观测模型扩展:视觉观测约束越多,状态估计精度越高。一方面可以扩展双目或多目,观测模型中加入更多的残差项;另一方面可以引入直线等特征,在环境纹理不足时提高精度。
- 能观性改进:理论上VIO位姿有4个维度是不能观的,包括3DoF全局位置和1DoF绕重力轴的旋转(Yaw角),而MSCKF中Yaw角被错误的能观了,这就产生了Inconsistency,使得算法精度变差。通过合理调整EKF系统的线性化点(FEJ)来改变系统的能观性秩,从而提升算法精度。
- 数据同步:传感器数据同步对VIO精度影响非常大,对数据做硬件同步、软件同步,还可以将同步误差