VIO 初始化小結 - 10.17

最近幾個月忙於博士畢業，找工做一直沒有繼續更新博客，但願以這一篇開始，每月可以繼續有幾篇總結博客。

首先review一下比較著名的vio系統

1. Tightly coupled
   • EKF: mainly ETH ASL R.Siegwart work
2. Tightly-coupled
   • EKF:
     • MSCKF->MSCKF2.0->SR-ISWR  observability and consistency analysis
     • ROVIO
     • SR-ISWF
   • Optimization:
     • OKVIS
     • VINS-Mono (more robust initialization compared with OKVIS and less sensitive towards noise and bias prior)
     • Inertial ORB (no original open source, no metric scale estimation at the beginning, sudden change of Map when the scale is solved)

VIO系統的優勢顯而易見，難點在於如何將visual和inertial兩個傳感器的優缺點有效結合，達到快速初始化（最重要的是尺度和重力方向），穩定魯邦估計，以及對噪聲和傳感器參數（相機IMU外參，IMU零偏）的高度容忍或者在線估計。

這篇博客主要比較集中優化方法的初始化過程，爲了達到非線性優化問題的最優解，一個靠譜的初值可讓系統很快收斂，不只能夠提升優化速度，也能夠達到optimal的狀態估計。相反，初值估計錯誤不只致使非線性優化問題陷入局部最小，並且使得參數估計徹底錯誤，從而使得系統崩潰（俗稱系統飛掉，特別是imu的bias參數估計錯誤）。

　　首先介紹OKVIS的初始化方法，OKVIS對IMU的參數很是敏感（相對於VINS-Mono使用商用級別commercial-grade的IMU便可，它須要使用工業級別industrial-grade的IMU來完成初始化操做），由於整個系統的狀態propagation就是基於IMU，更嚴苛的是系統的初始化狀態也徹底依賴於初始（幾十個或者幾百個）IMU數據的propagation給出的姿態，若是是pure rotation運動，則使用2D-2D匹配進行跟蹤，軌跡僅由IMU給出，當能夠三角化出landmark時（有足夠的2D-2D匹配內點，且內點能夠恢復出3D點（使用Kneip的Opengv中算法）），初始化完成。後續同時使用3D-2D匹配和2D-2D匹配。所以，IMU給出的初始軌跡估計須要比較準確，才能夠給出初始軌跡，而且肯定什麼時候能夠初始化完成。

 

 

TX1: https://www.phoronix.com/scan.php?page=article&item=nvidia-jtx1-perf&num=1%3C/span%3E%3C/blockquote%3E