[2017]VI-ORBSLAM 论文阅读笔记

0.论文信息

Mur-Artal R , Tardos J D . Visual-Inertial Monocular SLAM With Map Reuse[J]. IEEE Robotics and Automation Letters, 2017, 2(2):796-803.
是ORB-SLAM系列中实现IMU传感器添加的一篇论文，主要特点在于：
单目+IMU的对准方法
紧组合的VI-SLAM的实现

1.摘要

近年来，视觉惯性里程计（VIO）的目标一致在于以高精度和高鲁棒性计算载体的增量运动。但是这些方法缺少了闭环修正误差的能力，导致在即使在传感器反复经过相同的位置的情况下轨迹误差依旧会累积和漂移。在本文的工作中，我们提出了一个紧组合的视觉惯性SLAM系统，它能够进行闭环并且能在已建图的区域实现无漂移的定位。我们的方法实际上能适用于任何相机配置，但这里我们讨论的是较复杂的单目相机（由于它存在尺度不定性问题）。同时，我们也提出了一个IMU初始化的方法，在其中计算了尺度、重力方向、速度、陀螺仪和加速度计零偏，并能在数秒时间能达到较高的精度。我们在十一组无人机公开数据集中测试的尺度误差在1%，并能达到分米级的精度。我们在存在重复轨迹的场景下将算法与当前先进的VIO算法进行了比较，证明了我们的方法在有地图辅助的情况下是无漂移和累积误差的。

2.IMU对准策略（挖坑待填）

3.紧组合VI-SLAM策略

3.1.Tracking

通过新帧与旧帧的共视匹配点构建重投影误差方程进行优化解算当前帧状态，需要注意的是：
（1）初始pose由IMU递推得到，将地图点通过该pose投影到新帧上，与新帧上相邻的特征点进行特征匹配；
（2）优化时的残差由IMU残差和重投影误差两部分构成，都存在使用信息矩阵进行加权的情况：

• 对IMU的速度、位置、角度，使用IMU预积分的信息矩阵
• 对IMU的陀螺仪和角速度偏差，使用随机游走
• 对重投影误差，使用特征点的观测信息矩阵（与特征点追踪次数相关？）

（3）有没有预加载地图的区别在于构建残差方程时IMU的残差计算使用先验还是后验。

3.2.Local Mapping

LocalMap实现了一个固定窗口内的状态优化，其策略如下：
（1）固定窗口大小N；
（2）新帧一定会被加入窗口中（因其包含IMU状态）；
（3）不在窗口中却与窗口中的帧有共视点的帧将参与残差方程的构建，但其位姿将被设为fixed（窗口外帧的pose非优化项）；
（4）VIO的优化相较于VO更加复杂，相当于每帧中添加了9个待优化项（速度，陀螺仪、加速度零偏），在需要跑实时的情况下需要设定合理的N的大小；
（5）VIO中的关键帧策略与VO中也不太一样，在VO中我们可以直接丢弃冗余帧以控制mapsize，但使用VIO时需要考虑IMU的积分时间随帧间间隔增长可信度下降迅速的问题，所以在系统设计中需要注意不能让两帧之间间隔时间过长（在本文中设置阈值为0.5s）

3.3. 闭环

闭环的目的在于减少探索过程中的轨迹漂移，但在大尺度的地图上代价过大，故需要采取一些策略缩减计算量。
本文在闭环后的full-BA优化过程中忽略了IMU信息，即未对IMU的偏差值和速度值进行优化，相应的IMU结果仅通过优化后的位姿进行了相应的转换。虽然这并不算优化，但速度、bias在局部应该是相对准确的，不影响我们在进行闭环优化后继续使用它们。同时，在后端另开了一个线程进行包含速度和bias在内的整体优化。

4.PS

日常记录，理解不当之处恳请留言指正qwq