VIO 初始化小结 - 10.17

最近几个月忙于博士毕业，找工做一直没有继续更新博客，但愿以这一篇开始，每月可以继续有几篇总结博客。

首先review一下比较著名的vio系统

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系统的优势显而易见，难点在于如何将visual和inertial两个传感器的优缺点有效结合，达到快速初始化（最重要的是尺度和重力方向），稳定鲁邦估计，以及对噪声和传感器参数（相机IMU外参，IMU零偏）的高度容忍或者在线估计。

这篇博客主要比较集中优化方法的初始化过程，为了达到非线性优化问题的最优解，一个靠谱的初值可让系统很快收敛，不只能够提升优化速度，也能够达到optimal的状态估计。相反，初值估计错误不只致使非线性优化问题陷入局部最小，并且使得参数估计彻底错误，从而使得系统崩溃（俗称系统飞掉，特别是imu的bias参数估计错误）。

　　首先介绍OKVIS的初始化方法，OKVIS对IMU的参数很是敏感（相对于VINS-Mono使用商用级别commercial-grade的IMU便可，它须要使用工业级别industrial-grade的IMU来完成初始化操做），由于整个系统的状态propagation就是基于IMU，更严苛的是系统的初始化状态也彻底依赖于初始（几十个或者几百个）IMU数据的propagation给出的姿态，若是是pure rotation运动，则使用2D-2D匹配进行跟踪，轨迹仅由IMU给出，当能够三角化出landmark时（有足够的2D-2D匹配内点，且内点能够恢复出3D点（使用Kneip的Opengv中算法）），初始化完成。后续同时使用3D-2D匹配和2D-2D匹配。所以，IMU给出的初始轨迹估计须要比较准确，才能够给出初始轨迹，而且肯定什么时候能够初始化完成。

 

 

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