VIO概述 On-Manifold Preintegration for Real-Time Visual--Inertial Odometry

目前的研究方向能夠總結爲在濾波算法中實現高精度，在優化算法中追求實時性．當加入IMU後，研究方向分爲鬆耦合和緊耦合，鬆耦合分別單獨計算出IMU測量獲得的狀態和視覺里程計獲得的狀態而後融合，緊耦合則將IMU測量和視覺約束信息放在一個非線性優化函數中去優化．緊耦合的框架使得IMU數據能夠對視覺里程計進行矯正，同時視覺里程計信息也能夠矯正IMU的零偏，所以通常認爲緊耦合的定位精度較高．我的認爲鬆耦合和濾波融合的方法相似，緊耦合則主要基於非線性優化．

IMU融合後能夠處理視覺失效的狀況，例如光照變化，遮擋，模糊，快速運動；同時視覺也能夠對IMU的本質偏差零偏（漂移）進行很好的估計．

視覺和IMU融合目前主要基於三類方法，在設計時，主要考慮精確度和計算量的平衡．

1. 濾波

• 狀態向量只包含當前狀態．因爲線性化偏差和計算能力的限制，一般只能構建不多的landmark/mappoint．或者建立structureless的狀態向量（將landmark/mappoint邊緣化），典型表明爲MSCKF.
• 邊緣化是將舊狀態融合進當前狀態的先驗中，濾波方法主要的缺陷也就存在於邊緣化過程當中：首先當前測量的structure信息須要延遲處理，下降當前狀態的更新精度，其次邊緣化對線性化近似和外點（outlier）都比較敏感，容易形成濾波器狀態失準．（這裏有不少坑，還不太理解）．

2. Fixed-Lag Smoothing

• 也就是滑動窗口優化（Sliding Window Optimization）．狀態向量包含隨時間滑動的窗口內多個狀態．可是也須要將舊狀態邊緣化到高斯先驗中．所以在濾波算法中存在的邊緣化問題，這裏都存在．
• 可是因爲採用了多個狀態的窗口，狀態估計更精確，同時能夠創建魯棒的優化代價函數，下降外點對狀態估計的影響．
• 狀態向量中能夠加入測量的structure，可是太多strcuture會形成高斯先驗矩陣是稠密的，一般會想辦法減小structure的數量．

3. Full Smoothing

• 也就是batch non-linear least-squares或者全局優化，狀態向量包含全部相機位姿和strcuture信息，作大規模的非線性優化．顯然是最精確的方法，雖然說稀疏性下降了計算量，可是依然比濾波大．主要工做集中於下降計算量．
• 能夠採用只優化關鍵幀，以及將優化放在獨立線程中．
• 最新的研究採用因子圖，增量式地根據測量更新部分狀態，典型表明爲iSAM．
• 當引入IMU後，因爲IMU頻率一般在100Hz-1kHz量級，沒法每次IMU測量都更新狀態向量．一般的作法是在關鍵幀之間對IMU進行積分，初始狀態由上一幀狀態提供，根據IMU的微分運動方程，積分出當前狀態，再將視覺測量引入更新．
• 然而，因爲優化過程當中上一幀的狀態是會變化的，這樣積分的初始狀態改變了，須要從新算積分，爲了不每一次優化調整後都須要重複計算IMU積分，利用預積分preintegration將相對運動約束再參數化．

 

參考：

1. https://bitbucket.org/gtborg/gtsam

2. https://arxiv.org/abs/1512.02363