VIO-SLAM

Visual-Inertial Odometry（VIO）即視覺慣性里程計，有時也叫視覺慣性系統（VINS，visual-inertial system），是融合相機和IMU數據實現SLAM的算法，根據融合框架的不同又分為松耦合和緊耦合。

其中VO（visual odometry）指僅視覺的里程計，T表示位置和姿態。松耦合中視覺運動估計和慣導運動估計系統是兩個獨立的模塊，將每個模塊的輸出結果進行融合。

緊耦合則是使用兩個傳感器的原始數據共同估計一組變量，傳感器噪聲也是相互影響的。緊耦合算法比較復雜，但充分利用了傳感器數據，可以實現更好的效果，是目前研究的重點。

相機和IMU的缺點及互補性

相機和IMU融合有很好的互補性。首先通過將IMU 估計的位姿序列和相機估計的位姿序列對齊可以估計出相機軌跡的真實尺度，而且IMU 可以很好地預測出圖像幀的位姿以及上一時刻特征點在下幀圖像的位置，提高特征跟蹤算法匹配速度和應對快速旋轉的算法魯棒性，最后IMU 中加速度計提供的重力向量可以將估計的位置轉為實際導航需要的世界坐標系中。

隨著MEMS器件的快速發展，智能手機等移動終端可以便捷地獲取IMU數據和攝像頭拍攝數據，融合IMU 和視覺信息的VINS 算法可以很大程度地提高單目SLAM 算法性能，是一種低成本高性能的導航方案，在機器人、AR/VR 領域得到了很大的關注。

算法流程

整個流程圖可以分解為五部分：數據預處理、初始化、局部非線性優化、回環檢測和全局優化。

各個模塊的主要作用是：

圖像和IMU數據預處理：對于圖像，提取特征點，利用KLT金字塔進行光流跟蹤，為后面僅視覺初始化求解相機位姿做準備。對于IMU，將IMU數據進行預積分，得到當前時刻的位姿、速度、旋轉角，同時計算在后端優化中將要用到的相鄰幀間的預積分增量，及預積分的協方差矩陣和雅可比矩陣。

初始化：初始化中，首先進行僅視覺的初始化，解算出相機的相對位姿；然后再與IMU預積分進行對齊求解初始化參數。

局部非線性優化：對應流程圖中滑動窗口的視覺慣導非線性優化，即將視覺約束、IMU約束放在一個大目標函數中進行優化，這里的局部優化也就是只優化當前幀及之前的n幀的窗口中的變量，局部非線性優化輸出較為精確的位姿。

回環檢測：回環檢測是將前面檢測的圖像關鍵幀保存起來，當再回到原來經過的同一個地方，通過特征點的匹配關系，判斷是否已經來過這里。前面提到的關鍵幀就是篩選出來的能夠記下但又避免冗余的相機幀（關鍵幀的選擇標準是當前幀和上一幀之間的位移超過一定閾值或匹配的特征點數小于一定閾值）。

全局優化：全局優化是在發生回環檢測時，利用相機約束和IMU約束，再加上回環檢測的約束，進行非線性優化。全局優化在局部優化的基礎上進行，輸出更為精確的位姿。

算法核心

局部優化會用到邊緣化，僅用局部優化精度低，全局一致性差，但是速度快，IMU利用率高；僅用全局優化精度高，全局一致性好，但是速度慢，IMU利用率低；兩者側重點不同，所以將兩者結合，可以優勢互補。

因此小編設計實驗采用局部優化和全局優化融合的方法。

局部優化是滑動窗口內相機幀的優化，全局優化是所有關鍵幀的優化，兩者結合會產生邊緣幀沖突的問題，因為局部優化會固定滑動窗口邊緣幀，而全局優化發生回環檢測的時候則會固定回環起點的幀。這里的改進就是采用相對的位姿邊緣化，即邊緣化以后的點是相對于它上一時刻關鍵幀的位姿而不是全局的位姿，這樣局部優化邊緣化相對位姿（關鍵幀），扔給全局優化整體優化。局部邊緣化和全局邊緣化的結合部分是關鍵幀。

相對邊緣化可以具體解釋為，相對邊緣化的參考坐標系不再是世界坐標系，而是與當前幀共視且距離最近的一個關鍵幀的相機系（設為第k0幀）。視覺約束可以表示為：

區別于絕對邊緣化的視覺約束

實驗結果與總結

實驗一：無人機數據集上的實驗

數據集采用了歐盟機器人挑戰數據集（EuRoC）。EuRoC 數據集使用 Asctec Firefly 六旋翼飛行器在倉庫和房間采集數據，數據集中包括以20Hz采集的相機圖像和200Hz的IMU數據，以及運動真值。

實驗結果如下：

實驗結果可見，融合優化的軌跡和真實軌跡很接近，而僅使用局部優化的定位結果誤差不斷累積。

實驗二：車載數據上的實驗

該車載數據是在北京市朝陽區某小區采集的，在數據采集階段，車輛以5km/h 到 30km/h 的速度行駛，一共行駛2271m。

實驗結果如下：

實驗結果可見，融合優化后的定位結果明顯優于僅使用局部優化的定位結果，融合優化中誤差得到及時修正。

責任編輯：lq