目录
1.为什么需要初始化
- 优化问题非常依赖初始值。
- 防止陷入局部最小值
- 与真实值越近迭代次数越少
1.1 需要优化哪些变量
优化变量: 地图点,p,v,q,零偏,外参
- vins初始值不求解加速度计的零偏(存在重力影响,也不影响优化结果)和外参的平移(人工测量)
1.2 初始化不解决哪些变量
- 并不需要一个非常准确的外参,因为在非线性优化中会不断去优化
- 加速度计bias很难从重力估计中分离出来,忽略加速度计bias不会显著影响结果
1.3 初始化成功需要满足哪些条件
- 枢纽帧和最后一帧既有足够的共视也要有足够的视差
- 对关键帧纯视觉BA求解成功
- 对非关键帧位姿求解成功
- 成功求解各帧的速度,枢纽帧的重力方向,以及尺度
顺序依次往下
2. VINS对特征点的管理
- 根据id管理
- 起始帧id:被哪一帧最先观测到
- 求解状态:是否被成功三角化
- 一个id的特征点会被多帧所看到
class FeaturePerFrame
{
public:
//_point:[x,y,z,u,v,vx,vy]
FeaturePerFrame(const Eigen::Matrix<double, 7, 1> &_point, double td)
{
point.x() = _point(0);
point.y() = _point(1);
point.z() = _point(2);
uv.x() = _point(3);
uv.y() = _point(4);
velocity.x() = _point(5);
velocity.y() = _point(6);
cur_td = td;
}
double cur_td; // 最先被哪一帧看到
Vector3d point; // 去畸变后的归一化相机坐标
Vector2d uv; // 像素坐标
Vector2d velocity; // 特征点速度
double z; // 特征点的深度
bool is_used; // 是否被使用了
double parallax; // 视差
MatrixXd A; // 变换矩阵
VectorXd b;
double dep_gradient;
};
3.旋转外参初始化
- 不标定平移
由手眼标定公式表示相机和IMU集成的系统从到的运动,其中视觉可以通过特征匹配求得到时刻的旋转增量, 同时IMU也可以通过积分得到到时刻的 旋转增量,设相机和IMU之间的旋转矩阵为,那么对任意时刻,满足:
R
b
k
+
1
b
k
⋅
R
c
b
=
R
c
b
⋅
R
c
k
+
1
c
k
\mathbf{R}_{b_{k+1}}^{b_{k}} \cdot \mathbf{R}_{c}^{b}=\mathbf{R}_{c}^{b} \cdot \mathbf{R}_{c_{k+1}}^{c_{k}}
Rbk+1bk⋅Rcb=Rcb⋅Rck+1ck
将上式用四元数表示:
q
b
k
+
1
b
k
⊗
q
c
b
=
q
c
b
⊗
q
c
k
+
1
c
k
⇒
[
Q
1
(
q
b
k
+
1
b
k
)
−
Q
2
(
q
c
k
+
1
c
k
)
]
⋅
q
c
b
=
Q
k
+
1
k
⋅
q
c
b
=
0
\begin{aligned} \mathbf{q}_{b_{k+1}}^{b_{k}} \otimes \mathbf{q}_{c}^{b} &=\mathbf{q}_{c}^{b} \otimes \mathbf{q}_{c_{k+1}}^{c_{k}} \\ & \Rightarrow\left[\mathcal{Q}_{1}\left(\mathbf{q}_{b_{k+1}}^{b_{k}}\right)-\mathcal{Q}_{2}\left(\mathbf{q}_{c_{k+1}}^{c_{k}}\right)\right] \cdot \mathbf{q}_{c}^{b}=\mathbf{Q}_{k+1}^{k} \cdot \mathbf{q}_{c}^{b}=\mathbf{0} \end{aligned}
qbk+1bk⊗qcb=qcb⊗qck+1ck⇒[Q1(qbk+1bk)−Q2(qck+1ck)]⋅qcb=Qk+1k⋅qcb=0
其中:
Q
1
(
q
)
=
[
q
w
I
3
+
⌊
q
x
y
z
×
⌋
q
x
y
z
−
q
x
y
z
q
w
]
Q
2
(
q
)
=
[
q
w
I
3
−
⌊
q
x
y
z
×
⌋
q
x
y
z
−
q
x
y
z
q
w
]
\begin{aligned} \mathcal{Q}_{1}(\mathbf{q}) &=\left[\begin{array}{cc} q_{w} \mathbf{I}_{3}+\left\lfloor\mathbf{q}_{x y z} \times\right\rfloor & \mathbf{q}_{x y z} \\ -\mathbf{q}_{x y z} & q_{w} \end{array}\right] \\ \mathcal{Q}_{2}(\mathbf{q}) &=\left[\begin{array}{cc} q_{w} \mathbf{I}_{3}-\left\lfloor\mathbf{q}_{x y z} \times\right\rfloor & \mathbf{q}_{x y z} \\ -\mathbf{q}_{x y z} & q_{w} \end{array}\right] \end{aligned}
Q1(q)Q2(q)=[qwI3+⌊qxyz×⌋−qxyzqxyzqw]=[qwI3−⌊qxyz×⌋−qxyzqxyzqw]
对于相对旋转的测量值,可得过约束的线性方程:
[
w
1
0
⋅
Q
1
0
w
2
1
⋅
Q
2
1
⋮
w
N
N
−
1
⋅
Q
N
N
−
1
]
⋅
q
c
b
=
Q
N
⋅
q
c
b
=
0
\left[\begin{array}{c} w_{1}^{0} \cdot \mathbf{Q}_{1}^{0} \\ w_{2}^{1} \cdot \mathbf{Q}_{2}^{1} \\ \vdots \\ w_{N}^{N-1} \cdot \mathbf{Q}_{N}^{N-1} \end{array}\right] \cdot \mathbf{q}_{c}^{b}=\mathbf{Q}_{N} \cdot \mathbf{q}_{c}^{b}=\mathbf{0}
⎣
⎡w10⋅Q10w21⋅Q21⋮wNN−1⋅QNN−1⎦
⎤⋅qcb=QN⋅qcb=0
在标定成功前,会一直增长, 为了更好的处理可能存在的异常值,每个都乘以了一个类似于huber核函数的权重。对进行Svd分解, 其中最小奇异值对应的右奇异向量便为结果。
详细证明:
U为正交矩阵,不会改变矩阵x的大小,所以可以约掉
x为单位四元数,因为只有单位四元数才能表示旋转
if(ESTIMATE_EXTRINSIC == 2) //如果没有外参则进行标定
{
ROS_INFO("calibrating extrinsic param, rotation movement is needed");
if (frame_count != 0)
{
// 得到两帧之间归一化特征点
vector<pair<Vector3d, Vector3d>> corres = f_manager.getCorresponding(frame_count - 1, frame_count);
Matrix3d calib_ric;
// 标定从camera到IMU之间的旋转矩阵
if (initial_ex_rotation.CalibrationExRotation(corres, pre_integrations[frame_count]->delta_q, calib_ric))
{
ROS_WARN("initial extrinsic rotation calib success");
ROS_WARN_STREAM("initial extrinsic rotation: " << endl << calib_ric);
ric[0] = calib_ric;
RIC[0] = calib_ric;
ESTIMATE_EXTRINSIC = 1;
}
}
}
/**
* 标定外参的旋转矩阵
* @param corres 匹配的特征点
* @param delta_q_imu IMU预积分得的旋转矩阵Q
* @param calib_ric_result 标定的外参数
* @return
*/
bool InitialEXRotation::CalibrationExRotation(vector<pair<Vector3d, Vector3d>> corres, Quaterniond delta_q_imu, Matrix3d &calib_ric_result)
{
frame_count++;
Rc.push_back(solveRelativeR(corres)); // 帧间cam的R,由对极几何得到
Rimu.push_back(delta_q_imu.toRotationMatrix()); // 帧间IMU的R,由IMU预积分得到
Rc_g.push_back(ric.inverse() * delta_q_imu * ric); // 每帧IMU相对于起始帧IMU的R,初始化为IMU预积分
// SVD分解,Ax=0,对A填充。 多帧组成A,一对点组成的A是4×4的
Eigen::MatrixXd A(frame_count * 4, 4);
A.setZero();
int sum_ok = 0;
for (int i = 1; i <= frame_count; i++)
{
Quaterniond r1(Rc[i]);
Quaterniond r2(Rc_g[i]);
double angular_distance = 180 / M_PI * r1.angularDistance(r2);
ROS_DEBUG(
"%d %f", i, angular_distance);
// huber核函数做加权
double huber = angular_distance > 5.0 ? 5.0 / angular_distance : 1.0;
++sum_ok;
Matrix4d L, R;
//R_bk+1^bk * R_c^b = R_c^b * R_ck+1^ck
//[Q1(q_bk+1^bk) - Q2(q_ck+1^ck)] * q_c^b = 0
//L R 分别为左乘和右乘矩阵,都是4×4矩阵
double w = Quaterniond(Rc[i]).w(); // 相机间旋转矩阵
Vector3d q = Quaterniond(Rc[i]).vec();
L.block<3, 3>(0, 0) = w * Matrix3d::Identity() + Utility::skewSymmetric(q);
L.block<3, 1>(0, 3) = q;
L.block<1, 3>(3, 0) = -q.transpose();
L(3, 3) = w;
Quaterniond R_ij(Rimu[i]); // imu间旋转矩阵
w = R_ij.w();
q = R_ij.vec();
R.block<3, 3>(0, 0) = w * Matrix3d::Identity() - Utility::skewSymmetric(q);
R.block<3, 1>(0, 3) = q;
R.block<1, 3>(3, 0) = -q.transpose();
R(3, 3) = w;
A.block<4, 4>((i - 1) * 4, 0) = huber * (L - R);
}
// svd分解中最小奇异值对应的右奇异向量作为旋转四元数
JacobiSVD<MatrixXd> svd(A, ComputeFullU | ComputeFullV);
// 这里的四元数存储的顺序是[x,y,z,w]‘
Matrix<double, 4, 1> x = svd.matrixV().col(3); // 右奇异向量作为旋转四元数
Quaterniond estimated_R(x);
ric = estimated_R.toRotationMatrix().inverse();
//cout << svd.singularValues().transpose() << endl;
//cout << ric << endl;
Vector3d ric_cov;
ric_cov = svd.singularValues().tail<3>();
//至少迭代计算了WINDOW_SIZE次,且R的奇异值大于0.25才认为标定成功
if (frame_count >= WINDOW_SIZE && ric_cov(1) > 0.25)
{
calib_ric_result = ric;
return true;
}
else
return false;
}
4 单目视觉位姿估计
- 选取帧(枢纽帧)应与最后一帧尽可能远
- 但又希望两帧的共视点足够多
- 枢纽帧与最后一帧通过对极约束恢复位姿
- 第五帧及之后帧的位姿可以通过3D-2D的PNP求解出来,并优化出更多的点
同理对另一边也是
4.1 triangulatePoint原理
void GlobalSFM::triangulatePoint(Eigen::Matrix<double, 3, 4> &Pose0, Eigen::Matrix<double, 3, 4> &Pose1,
Vector2d &point0, Vector2d &point1, Vector3d &point_3d)
作者自己实现了三角化的过程(Pc是归一化相机系下坐标系,已知帧的位姿和各自相机系下观测求三维点,为了等号意义成立,填上一个系数a):
// 对特征点进行三角化求深度(SVD分解)
void FeatureManager::triangulate(Vector3d Ps[], Vector3d tic[], Matrix3d ric[])
{
for (auto &it_per_id : feature)
{
it_per_id.used_num = it_per_id.feature_per_frame.size();
// 如果该特征出现的次数<2 或 该特征被首次观测到时的对应帧在滑窗中是最后一帧了,就无法三角化了
if (!(it_per_id.used_num >= 2 && it_per_id.start_frame < WINDOW_SIZE - 2))
continue;
// 如果该特征点已经有深度了
if (it_per_id.estimated_depth > 0)
continue;
int imu_i = it_per_id.start_frame, imu_j = imu_i - 1;
ROS_ASSERT(NUM_OF_CAM == 1);
// 两帧三角化时即可得到4个等式
Eigen::MatrixXd svd_A(2 * it_per_id.feature_per_frame.size(), 4);
int svd_idx = 0;
// R0 t0为第i帧相机坐标系到世界坐标系的变换矩阵
// T_cw : [R|t]_3*4
Eigen::Matrix<double, 3, 4> P0;
Eigen::Vector3d t0 = Ps[imu_i] + Rs[imu_i] * tic[0];
Eigen::Matrix3d R0 = Rs[imu_i] * ric[0];
P0.leftCols<3>() = Eigen::Matrix3d::Identity();
P0.rightCols<1>() = Eigen::Vector3d::Zero();
for (auto &it_per_frame : it_per_id.feature_per_frame)
{
imu_j++;
//R t为第j帧相机坐标系到第i帧相机坐标系的变换矩阵,P为i到j的变换矩阵
Eigen::Vector3d t1 = Ps[imu_j] + Rs[imu_j] * tic[0];
Eigen::Matrix3d R1 = Rs[imu_j] * ric[0];
Eigen::Vector3d t = R0.transpose() * (t1 - t0);
Eigen::Matrix3d R = R0.transpose() * R1;
Eigen::Matrix<double, 3, 4> P;
P.leftCols<3>() = R.transpose();
P.rightCols<1>() = -R.transpose() * t;
Eigen::Vector3d f = it_per_frame.point.normalized();
//P = [P1 P2 P3]^T
//AX=0 A = [A(2*i) A(2*i+1) A(2*i+2) A(2*i+3) ...]^T
//A(2*i) = x(i) * P3 - z(i) * P1
//A(2*i+1) = y(i) * P3 - z(i) * P2
svd_A.row(svd_idx++) = f[0] * P.row(2) - f[2] * P.row(0);
svd_A.row(svd_idx++) = f[1] * P.row(2) - f[2] * P.row(1);
if (imu_i == imu_j)
continue;
}
// 对A的SVD分解得到其最小奇异值对应的单位奇异向量(x,y,z,w),深度为z/w
ROS_ASSERT(svd_idx == svd_A.rows());
Eigen::Vector4d svd_V = Eigen::JacobiSVD<Eigen::MatrixXd>(svd_A, Eigen::ComputeThinV).matrixV().rightCols<1>();
double svd_method = svd_V[2] / svd_V[3];
//it_per_id->estimated_depth = -b / A;
//it_per_id->estimated_depth = svd_V[2] / svd_V[3];
it_per_id.estimated_depth = svd_method;
//it_per_id->estimated_depth = INIT_DEPTH;
if (it_per_id.estimated_depth < 0.1)
{
it_per_id.estimated_depth = INIT_DEPTH;
}
}
}
4.2 ceres优化
优化变量 x x x:
- pose(滑窗中的11帧位姿)
- points(滑窗pose之间生成的许许多多的地图点)
后续的代码都位于:/vins_estimator/src/initial/initial_aligment.cpp
//视觉和IMU对齐
bool VisualIMUAlignment(map<double, ImageFrame> &all_image_frame, Vector3d* Bgs, Vector3d &g, VectorXd &x)
{
solveGyroscopeBias(all_image_frame, Bgs);//计算陀螺仪偏置
if(LinearAlignment(all_image_frame, g, x))//计算尺度,重力加速度和速度
return true;
else
return false;
}
5. 陀螺仪零偏初始化
b k b_k bk到 c 0 c_0 c0姿态的旋转: q b k c 0 = q c k c 0 ⊗ ( q c b ) − 1 \mathbf{q}_{b_{k}}^{c_{0}} =\mathbf{q}_{c_{k}}^{c_{0}} \otimes\left(\mathbf{q}_{c}^{b}\right)^{-1} qbkc0=qckc0⊗(qcb)−1
b k b_k bk到 c 0 c_0 c0姿态的平移: s p ‾ b k c b = s p ‾ c k c 0 − R b k c 0 p c b s \overline{\mathbf{p}}_{b_{k}}^{c_{b}}=s \overline{\mathbf{p}}_{c_{k}}^{c_{0} }-\mathbf{R}_{b_{k}}^{c_{0}} \mathbf{p}_{c}^{b} spbkcb=spckc0−Rbkc0pcb
证明如下:
陀螺仪零偏的模型:
min δ b w ∑ k ∈ B ∥ q b k + 1 c 0 − 1 ⊗ q b k c 0 ⊗ γ b k + 1 b k ∥ 2 \min _{\delta b_{w}} \sum_{k \in \mathcal{B}}\left\|\mathbf{q}_{b_{k+1}}^{c_{0}}{ }^{-1} \otimes \mathbf{q}_{b_{k}}^{c_{0}} \otimes \boldsymbol{\gamma}_{b_{k+1}}^{b_{k}}\right\|^{2} minδbw∑k∈B∥ ∥qbk+1c0−1⊗qbkc0⊗γbk+1bk∥ ∥2
其中对陀螺仪bias求IMU预积分项线性化,有:
γ b k + 1 b k ≈ γ ^ b k + 1 b k ⊗ [ 1 1 2 J b w γ δ b w ] \boldsymbol{\gamma}_{b_{k+1}}^{b_{k}} \approx \hat{\boldsymbol{\gamma}}_{b_{k+1}}^{b_{k}} \otimes\left[\begin{array}{c}1 \\ \frac{1}{2} \mathbf{J}_{b_{w}}^{\gamma} \delta \mathbf{b}_{w}\end{array}\right] γbk+1bk≈γ^bk+1bk⊗[121Jbwγδbw] (近似估计出零偏变化后旋转预积分量的变化)
对陀螺仪零偏的补偿见预积分章节: 由 f ( x + Δ x ) = f ( x ) + J ( x ) Δ x = f(x+Δx)=f(x)+J(x)Δx= f(x+Δx)=f(x)+J(x)Δx= 原先预积分的结果 + 相对于零偏的一阶雅克比 * 补偿量
α b k + 1 b k ≈ α ^ b k + 1 b k + J b a α δ b a k + J b w α δ b w k β b k + 1 b k ≈ β ^ b k + 1 b k + J b a β δ b a k + J b w β δ b w k γ b k + 1 b k ≈ γ ^ b k + 1 b k ⊗ [ 1 1 2 J b w γ δ b w k ] \begin{aligned} \boldsymbol{\alpha}_{b_{k+1}}^{b_{k}} & \approx \hat{\boldsymbol{\alpha}}_{b_{k+1}}^{b_{k}}+\mathbf{J}_{b_{a}}^{\alpha} \delta \mathbf{b}_{a_{k}}+\mathbf{J}_{b_{w}}^{\alpha} \delta \mathbf{b}_{w_{k}} \\ \boldsymbol{\beta}_{b_{k+1}}^{b_{k}} & \approx \hat{\boldsymbol{\beta}}_{b_{k+1}}^{b_{k}}+\mathbf{J}_{b_{a}}^{\beta} \delta \mathbf{b}_{a_{k}}+\mathbf{J}_{b_{w}}^{\beta} \delta \mathbf{b}_{w_{k}} \\ \boldsymbol{\gamma}_{b_{k+1}}^{b_{k}} & \approx \hat{\boldsymbol{\gamma}}_{b_{k+1}}^{b_{k}} \otimes\left[\begin{array}{c} 1 \\ \frac{1}{2} \mathbf{J}_{b_{w}}^{\gamma} \delta \mathbf{b}_{w_{k}} \end{array}\right] \end{aligned} αbk+1bkβbk+1bkγbk+1bk≈α^bk+1bk+Jbaαδbak+Jbwαδbwk≈β^bk+1bk+Jbaβδbak+Jbwβδbwk≈γ^bk+1bk⊗[121Jbwγδbwk]
- 原则上 q b k + 1 c 0 − 1 ⊗ q b k c 0 \mathbf{q}_{b_{k+1}}^{c_{0}}{ }^{-1} \otimes \mathbf{q}_{b_{k}}^{c_{0}} qbk+1c0−1⊗qbkc0 应该等于 γ b k b k + 1 \boldsymbol{\gamma}_{b_{k}}^{b_{k+1}} γbkbk+1,但因为存在噪声, q b k + 1 c 0 − 1 ⊗ q b k c 0 ⊗ γ b k + 1 b k \mathbf{q}_{b_{k+1}}^{c_{0}}{ }^{-1} \otimes \mathbf{q}_{b_{k}}^{c_{0}} \otimes \boldsymbol{\gamma}_{b_{k+1}}^{b_{k}} qbk+1c0−1⊗qbkc0⊗γbk+1bk不等于单位四元数.
对应到代码:
J
b
w
γ
δ
b
w
=
2
(
γ
^
b
k
+
1
b
k
−
1
⊗
q
b
k
c
0
−
1
⊗
q
b
k
+
1
c
0
)
vec
J_{b_{w}}^{\gamma} \delta b_{w}=2\left(\hat{\gamma}_{b_{k+1}}^{b_{k}}{ }^{-1} \otimes q_{b_{k}}^{c_{0}-1} \otimes q_{b_{k+1}}^{c_{0}}\right)_{\text {vec }}
Jbwγδbw=2(γ^bk+1bk−1⊗qbkc0−1⊗qbk+1c0)vec
两侧乘以
J
b
w
γ
T
{J_{b_{w}}^{\gamma}} ^T
JbwγT ,用LDLT分解求得
δ
b
w
\delta b_{w}
δbw 。
代码中的Quaterniond q_ij 就是
q
b
k
+
1
b
k
=
q
b
k
c
0
−
1
⊗
q
b
k
+
1
c
0
q_{b_{k+1}}^{b_{k}}=q_{b_{k}}^{c_{0}-1} \otimes q_{b_{k+1}}^{c 0}
qbk+1bk=qbkc0−1⊗qbk+1c0
tmp_A就是
J
b
w
γ
J_{b_{w}}^{\gamma}
Jbwγ
tmp_B 就是
2
(
r
^
b
k
+
1
b
k
−
1
⊗
q
b
k
+
1
b
k
)
v
e
c
=
2
(
r
^
b
k
+
1
b
k
−
1
⊗
q
b
k
c
0
−
1
⊗
q
b
k
+
1
c
0
)
v
e
c
2\left(\hat{r}_{b_{k+1}}^{b_{k}}{ }^{-1} \otimes q_{b_{k+1}}^{b_{k}}\right)_{v e c}=2\left(\hat{r}_{b_{k+1}}^{b_{k}}{ }^{-1} \otimes q_{b_{k}}^{c_{0}-1} \otimes q_{b_{k+1}}^{c_{0}}\right)_{v e c}
2(r^bk+1bk−1⊗qbk+1bk)vec=2(r^bk+1bk−1⊗qbkc0−1⊗qbk+1c0)vec
根据上面的代价函数构造
A
x
=
B
A x=B
Ax=B 即
J
b
w
γ
T
J
b
w
γ
δ
b
w
=
2
J
b
w
γ
T
(
r
^
b
k
+
1
b
k
−
1
⊗
q
b
k
c
0
−
1
⊗
q
b
k
+
1
c
0
)
v
e
c
J_{b_{w}}^{\gamma T} J_{b_{w}}^{\gamma} \delta b_{w}=2 J_{b_{w}}^{\gamma T}\left(\hat{r}_{b_{k+1}}^{b_{k}}{ }^{-1} \otimes q_{b_{k}}^{c_{0}-1} \otimes q_{b_{k+1}}^{c_{0}}\right)_{v e c}
JbwγTJbwγδbw=2JbwγT(r^bk+1bk−1⊗qbkc0−1⊗qbk+1c0)vec
然后采用LDLT分解求得
δ
b
w
\delta b_{w}
δbw 。
/**
* @brief 陀螺仪偏置校正
* @optional 根据视觉SFM的结果来校正陀螺仪Bias -> Paper V-B-1
* 主要是将相邻帧之间SFM求解出来的旋转矩阵与IMU预积分的旋转量对齐
* 注意得到了新的Bias后对应的预积分需要repropagate
* @param[in] all_image_frame所有图像帧构成的map,图像帧保存了位姿、预积分量和关于角点的信息
* @param[out] Bgs 陀螺仪偏置
* @return void
*/
void solveGyroscopeBias(map<double, ImageFrame> &all_image_frame, Vector3d* Bgs)
{
Matrix3d A;
Vector3d b;
Vector3d delta_bg;
A.setZero();
b.setZero();
map<double, ImageFrame>::iterator frame_i;
map<double, ImageFrame>::iterator frame_j;
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();
//R_ij = (R^c0_bk)^-1 * (R^c0_bk+1) 转换为四元数 q_ij = (q^c0_bk)^-1 * (q^c0_bk+1)
Eigen::Quaterniond q_ij(frame_i->second.R.transpose() * frame_j->second.R);
//tmp_A = J_j_bw
tmp_A = frame_j->second.pre_integration->jacobian.template block<3, 3>(O_R, O_BG);
//tmp_b = 2 * (r^bk_bk+1)^-1 * (q^c0_bk)^-1 * (q^c0_bk+1)
// = 2 * (r^bk_bk+1)^-1 * q_ij
tmp_b = 2 * (frame_j->second.pre_integration->delta_q.inverse() * q_ij).vec();
//tmp_A * delta_bg = tmp_b
// 其实就是A^T * A * x = A^T * b,在求解Ax=b的最小二乘解时,两边通乘A矩阵的转置得到的A^T * A一定是可逆的
A += tmp_A.transpose() * tmp_A;
b += tmp_A.transpose() * tmp_b;
}
//LDLT方法
delta_bg = A.ldlt().solve(b);
ROS_WARN_STREAM("gyroscope bias initial calibration " << delta_bg.transpose());
for (int i = 0; i <= WINDOW_SIZE; i++)
Bgs[i] += delta_bg;
// 得到bg后重新计算一次积分
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]);
}
}
6. 视觉惯性对齐
z
^
b
k
+
1
b
k
\hat{\mathbf{z}}_{b_{k+1}}^{b_{k}}
z^bk+1bk维度为6x1
H b k + 1 b k \mathbf{H}_{b_{k+1}}^{b_{k}} Hbk+1bk维度为6x10
- 该部分需要优化的变量有速度(
v
b
k
b
k
v^{b_k}_{b_k}
vbkbk表示第k帧图像在其IMU坐标系下的速度),重力加速度(
g
c
0
g^{c_0}
gc0表示在第0帧相机坐标系下的重力向量)和 尺度
X I = [ v b 0 b 0 , v b 1 b 1 , … v b n b n , g c 0 , s ] \mathcal{X}_{I}=\left[\mathbf{v}_{b_{0}}^{b_{0}}, \mathbf{v}_{b_{1}}^{b_{1}}, \ldots \mathbf{v}_{b_{n}}^{b_{n}}, \mathbf{g}^{c_{0}}, s\right] XI=[vb0b0,vb1b1,…vbnbn,gc0,s]在这一过程中需要求解每一帧的速度, c 0 c_0 c0下的重力方向和尺度
对应到代码,主要就是对于AX=b的填充:
tmp_A:
H
b
k
+
1
b
k
\mathbf{H}_{b_{k+1}}^{b_{k}}
Hbk+1bk
tmp_b :
z
^
b
k
+
1
b
k
\hat{\mathbf{z}}_{b_{k+1}}^{b_{k}}
z^bk+1bk
/**
* https://blog.csdn.net/try_again_later/article/details/104783107#t11
* @brief 计算尺度,重力加速度和速度 (博客6.0,6.2,6.3)
* @optional 速度、重力向量和尺度初始化Paper -> V-B-2
* 相邻帧之间的位置和速度与IMU预积分出来的位置和速度对齐,求解最小二乘
* 重力细化 -> Paper V-B-3
* @param[in] all_image_frame 所有图像帧构成的map,图像帧保存了位姿,预积分量和关于角点的信息
* @param[out] g 重力加速度
* @param[out] x 待优化变量,窗口中每帧的速度V[0:n]、重力g、尺度s
* @return void
*/
bool LinearAlignment(map<double, ImageFrame> &all_image_frame, Vector3d &g, VectorXd &x)
{
int all_frame_count = all_image_frame.size();
//优化量x的总维度 3维速度×n + 3维重力 + 1维尺度
int n_state = all_frame_count * 3 + 3 + 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;
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;
// 论文公式(10)(11)
// tmp_A(6,10) = H^bk_bk+1 = [-I*dt 0 (R^bk_c0)*dt*dt/2 (R^bk_c0)*((p^c0_ck+1)-(p^c0_ck)) ]
// [ -I (R^bk_c0)*(R^c0_bk+1) (R^bk_c0)*dt 0 ]
// tmp_b(6,1 ) = z^bk_bk+1 = [ (a^bk_bk+1)+(R^bk_c0)*(R^c0_bk+1)*p^b_c-p^b_c , (b^bk_bk+1)]^T
// tmp_A * x = tmp_b 求解最小二乘问题
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];
//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;
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();
// Hx = b 使用LDLT分解求解:H^T * H * x = H^T * b
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<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;
b = b * 1000.0;
x = A.ldlt().solve(b);
6.1 推导
由平移的预积分量:
从而得到由平移预积分量构成的线性方程(上半部分)
由速度的预积分量(也是将世界系转到 c 0 c_0 c0系):
6.2 如何将每一帧的 x I \mathcal{x}_{I} xI集成到 X I \mathcal{X}_{I} XI中
6 : 3维的vk + 3维的vk+1 4:3维的重力向量+1维的尺度
对应代码
// 形成方阵
MatrixXd r_A = tmp_A.transpose() * cov_inv * tmp_A;
VectorXd r_b = tmp_A.transpose() * cov_inv * tmp_b;
// 6: 3维的v_k + 3维的v_k+1
A.block<6, 6>(i * 3, i * 3) += r_A.topLeftCorner<6, 6>();
b.segment<6>(i * 3) += r_b.head<6>();
// 4: 3维的重力向量 + 1维的尺度
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>();
6.3 重力方向修正
- 已知重力的大小,对重力进行微调(因为误差分散在其他各个量之中,需要慢慢修正).
- 用已知的重力大小*重力方向的矢量 ∣ g ∣ ∗ g ^ → |g| * \overrightarrow{\hat{g}} ∣g∣∗g^,将其认为是当前估计出的重力大小和方向来调整重力的方向.
- 因为重力大小是已知的.调整重力的方向就好像是在球面上进行移动,球的半径=重力大小固定.
- 调整重力方向的办法: 将重力在球面上的运动方向在切平面分解为两个正交单位向量b1,b2乘以各自的权重.从而将重力的自由度从3个自由度转换为2个自由度
- g c 0 = g × g ‾ ^ c 0 + w 1 b 1 + w 2 b 2 \mathbf{g}^{c_{0}}=g \times \hat{\overline{\mathbf{g}}}^{c_{0}}+w_{1} \mathbf{b}_{1}+w_{2} \mathbf{b}_{2} gc0=g×g^c0+w1b1+w2b2
其中 g = 9.8 , g ‾ ^ g=9.8 , \hat{\overline{\mathbf{g}}} g=9.8,g^ 表示上一步估计出的重力方向的单位向量 , b 1 , \mathbf{b}_{1} ,b1 和 b 2 \mathbf{b}_{2} b2 是上一步估计出的重力向量 g \mathbf{g} g 切平面上的一组单位正交基, w 1 w_{1} w1 和 w 2 w_{2} w2 是两个正交基上的扰动值。
[ − I Δ t k 0 1 2 R c 0 b k Δ t k 2 b R c 0 b k ( p c k + 1 c 0 − p c k c 0 ) − I R c 0 b k R b k + 1 c 0 R c 0 b k Δ t k b 0 ] [ v b k b k v b k + 1 b k + 1 w s ] = [ α ^ b k + 1 b k + R c 0 b k R b k + 1 c 0 p c b − p c b − 1 2 R c 0 b k Δ t k 2 g ‾ ^ c 0 β b k + 1 b k − R c 0 b k Δ t k g ‾ ^ c 0 ] \left[\begin{array}{cccc} -\mathbf{I} \Delta t_{k} & 0 & \frac{1}{2} \mathbf{R}_{c_{0}}^{b_{k}} \Delta t_{k}^{2} \mathbf{b} & \mathbf{R}_{c_{0}}^{b_{k}}\left(\mathbf{p}_{c_{k+1}}^{c_{0}}-\mathbf{p}_{c_{k}}^{c_{0}}\right) \\ -\mathbf{I} & \mathbf{R}_{c_{0}}^{b_{k}} \mathbf{R}_{b_{k+1}}^{c_{0}} & \mathbf{R}_{c_{0}}^{b_{k}} \Delta t_{k} \mathbf{b} & 0 \end{array}\right]\left[\begin{array}{c} \mathbf{v}_{b_{k}}^{b_{k}} \\ \mathbf{v}_{b_{k+1}}^{b_{k+1}} \\ \mathbf{w} \\ s \end{array}\right]=\left[\begin{array}{c} \hat{\alpha}_{b_{k+1}}^{b_{k}}+\mathbf{R}_{c_{0}}^{b_{k}} \mathbf{R}_{b_{k+1}}^{c_{0}} p_{c}^{b}-p_{c}^{b}-\frac{1}{2} \mathbf{R}_{c_{0}}^{b_{k}} \Delta t_{k}^{2} \hat{\overline{\mathbf{g}}}^{c_{0}} \\ \beta_{b_{k+1}}^{b_{k}}-\mathbf{R}_{c_{0}}^{b_{k}} \Delta t_{k} \hat{\overline{\mathbf{g}}}^{c_{0}} \end{array}\right] [−IΔtk−I0Rc0bkRbk+1c021Rc0bkΔtk2bRc0bkΔtkbRc0bk(pck+1c0−pckc0)0]⎣ ⎡vbkbkvbk+1bk+1ws⎦ ⎤=[α^bk+1bk+Rc0bkRbk+1c0pcb−pcb−21Rc0bkΔtk2g^c0βbk+1bk−Rc0bkΔtkg^c0]
对比
将这个重新参数化的重力代入到上一步求解的线性方程中, 可以得到对应的
w
1
w_{1}
w1 和
w
2
w_{2}
w2, 反复迭代 几次, 最终会得到一个收敛的
g
^
c
0
\hat{\mathbf{g}}^{c_{0}}
g^c0 。
加入重力扰动后, 线性方程转变为
其中 b = [ b 1 , b 2 ] , w = [ w 1 , w 2 ] T \mathbf{b}=\left[\mathbf{b}_{1}, \mathbf{b}_{2}\right], \mathbf{w}=\left[w_{1}, w_{2}\right]^{T} b=[b1,b2],w=[w1,w2]T
针对代码:b = (tmp - a * (a.transpose() * tmp)).normalized();
P = a a T a T a = a a T ∥ a ∥ 2 P=\frac{a a^{T}}{a^{T} a}=\frac{a a^{T}}{\|a\|^{2}} P=aTaaaT=∥a∥2aaT 称为 a a a 的投影矩阵。
对任意一个向量 b b b, 它投影到 a a a 上的向量一定是: b b b 在 a a a 上的投影 = π a b = P b =\pi_{a} b=P b =πab=Pb
所以上述代码相当于b向量 = tmp向量指向tmp在a向量上的投影向量的向量,这也保证了b向量一定垂直a向量
// 在半径为G的半球找到切面的一对正交基 -> Algorithm 1
MatrixXd TangentBasis(Vector3d &g0)
{
Vector3d b, c;
// 初始化估计出的重力方向的单位向量
Vector3d a = g0.normalized();
Vector3d tmp(0, 0, 1);
if(a == tmp)
tmp << 1, 0, 0;
// b向量 = tmp向量指向tmp在a向量上的投影向量的向量,保证了b向量一定垂直a向量
b = (tmp - a * (a.transpose() * tmp)).normalized();
// c向量与b向量和a向量都垂直
c = a.cross(b);
MatrixXd bc(3, 2);
bc.block<3, 1>(0, 0) = b;
bc.block<3, 1>(0, 1) = c;
return bc;
}
/**
* @brief 重力矢量细化
* @optional 重力细化,在其切线空间上用两个变量重新参数化重力 -> Paper V-B-3
g^ = ||g|| * (g^-) + w1b1 + w2b2
* @param[in] all_image_frame 所有图像帧构成的map,图像帧保存了位姿,预积分量和关于角点的信息
* @param[out] g 重力加速度
* @param[out] x 待优化变量,窗口中每帧的速度V[0:n]、二自由度重力参数w[w1,w2]^T、尺度s
* @return void
*/
void RefineGravity(map<double, ImageFrame> &all_image_frame, Vector3d &g, VectorXd &x)
{
//g0 = (g^-)*||g||
Vector3d g0 = g.normalized() * G.norm();
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;
for(int k = 0; k < 4; k++)//迭代4次
{
//lxly = b = [b1,b2]
MatrixXd lxly(3, 2);
// 在半径为G的半球找到切面的一对正交基 -> Algorithm 1
lxly = TangentBasis(g0);
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(6,9) = [-I*dt 0 (R^bk_c0)*dt*dt*b/2 (R^bk_c0)*((p^c0_ck+1)-(p^c0_ck)) ]
// [ -I (R^bk_c0)*(R^c0_bk+1) (R^bk_c0)*dt*b 0 ]
// tmp_b(6,1) = [ (a^bk_bk+1)+(R^bk_c0)*(R^c0_bk+1)*p^b_c-p^b_c - (R^bk_c0)*dt*dt*||g||*(g^-)/2 , (b^bk_bk+1)-(R^bk_c0)dt*||g||*(g^-)]^T
// tmp_A * x = tmp_b 求解最小二乘问题
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;
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;
x = A.ldlt().solve(b);
//dg = [w1,w2]^T
VectorXd dg = x.segment<2>(n_state - 3);
g0 = (g0 + lxly * dg).normalized() * G.norm();
//double s = x(n_state - 1);
}
g = g0;
}
6.4 其他
推导: 把平移对齐到滑窗第0帧
对应代码
// 所有的状态对齐到第0帧的IMU坐标系
for (int i = frame_count; i >= 0; i--)
//Ps转变为第i帧imu坐标系到第0帧imu坐标系的变换
Ps[i] = s * Ps[i] - Rs[i] * TIC[0] - (s * Ps[0] - Rs[0] * TIC[0]);