多源融合导航 学习进程~

多源融合导航 学习进程~

多源融合导航是一个具有多传感器的导航系统，通过不同传感器之间的数据融合、优缺点互补，以实现更高精度导航效果的一种导航方法。
导航中常用的传感器包括：惯性测量单元imu、视觉传感器（单目、双目相机）、激光雷达等等···
常用的单一导航方法包括：GPS导航、惯性导航、视觉导航等等···

在上一阶段的学习中，主要针对单目视觉与imu融合的组合导航方式进行了学习研究。

下表罗列了单目slam与惯性导航以及其组合算法的优缺点
组合算法在融合方式上可分为以下两类：

1. 基于滤波的方法 & 基于非线性优化的方法
2. 松耦合的方法 & 紧耦合的方法

分类一：
1基于滤波器的方法（ KF , EKF ）
基于滤波器的方法由于仅优化当前的状态，故计算量较小，但由于保持之前的线性化不变，会导致状态估计非最优；
2基于优化的方法（Bundle Adjustment, BA）
基于优化的方法则通过迭代重新线性化以优化状态估计，但随着导航时间增加，计算复杂度不断加大
分类二：
1松耦合系统：
视觉导航与IMU独立，把各自状态估计结果作为组合模型输入进行耦合解算
2紧耦合系统：
视觉和 IMU 的测量值作为耦合系统的输入，进行状态估计

根据优化方法以及传感器数据融合的紧密程度的不同，融合算法也展现出不同的效果。

以下推荐几篇单目视觉惯性导航的论文

• VINS-Mono A Robust and Versatile Monocular Visual-Inertial State Estimator
• ORB-SLAM_a Versatile and Accurate Monocular SLAM
• Fusion of IMU and vision for absolute scale estimation in monocular SLAM
• On-Manifold Preintegration for Real-Time Visual–Inertial Odometry
• Robust Visual Inertial Odometry Using a Direct EKF-Based Approach
• 基于非线性优化的单目视觉/惯性组合导航算法[J]. 中国惯性学报
• 单目视觉同步定位与地图创建方法综述［J］． 智能系统学报

前四篇均是采用紧耦合的组合方法，其中VINS与ORB-SLAM为最具代表性的两篇。

基于非线性优化的视觉惯性紧耦合模型框架

紧耦合的优化模型类似于slam的框架结构，通常以视觉信息作为主要导航数据，imu的惯性测量数据用作辅助，通过对环境信息的实时采集，特征点的跟踪匹配，再结合imu陀螺仪与加速度计提供的信息，对物体的速度、姿态、位置、加速度、噪声、偏差进行一个联合估计与优化，继而得到最新的航位信息。视觉与惯性的紧耦合模型能够为载体提供较为准确的环境信息，并对运动状态实现实时监测。紧耦合的方法会产生较大的计算量，再加上需要多每一帧图像的特征点进行分析计算，需要较好的处理器进行处理，不适用于小型的移动设备。