VINS-mono閱讀筆記

VINS-mono是當前常用的VIO框架之一，出自港科大的沈劭劼老師團隊。VINS-mono是基於優化的緊耦合方案，精度、速度、魯棒性俱佳。

1、整體框架

從上圖可得，VINS-mono可以分爲4個部分，跟蹤、初始化、滑窗優化、迴環優化。

2、跟蹤

2.1、視覺跟蹤

這裏採用的是光流跟蹤的前端，一般過程是通過特徵點匹配獲得本質矩陣或者基礎矩陣，然後恢復出R，t;之後再將特徵點三角化，後面就可以通過pnp求解位姿。

對於關鍵幀的選擇有以下兩個準則：
1、當前幀相對最近的關鍵幀的特徵平均視差大於一個閾值就爲關鍵幀（因爲視差可以根據平移和旋轉共同得到，而純旋轉則導致不能三角化成功，所以這一步需要IMU預積分進行補償）
2、當前幀跟蹤到的特徵點數量小於閾值視爲關鍵幀，這個標準是爲了避免完全喪失特徵的情況

2.2、IMU預積分

根據IMU中陀螺儀和加速度計的測量方程：

可以得到k+1時刻，IMU位置、速度、姿態的積分公式：

上面的積分公式中，$R_t^w$爲t時刻的世界座標系姿態。作爲待優化變量，在每次更新後就意味着重新積分。爲了減少計算量，預積分的結果被轉換到相對位姿，即：

相應的積分項爲：

離散化形式：

3、初始化

這裏需要標定陀螺儀的偏差，重力加速度，相機與IMU之間的相對位姿。

3.1、SfM

首先需要利用SfM獲得一段較精確的圖像估計位姿。

3.2、標定陀螺儀的偏移

由於旋轉不受尺度影響，可以根據下面的約束獲得陀螺儀的偏移$\delta b_w$

在求得偏移後，需要重新計算IMU預積分。
具體過程可參考：https://xhy3054.github.io/vins-gyro-bias/

3.3、標定速度、重力加速度和尺度

待標定的所有變量：

根據位置和速度的預積分公式

轉化爲：

求解下式即可

3.4、重力修正

一般情況下，重力的模值是固定的，所以重力向量只有兩個自由度。可以據此對上面的變量進一步優化。
具體過程參考：https://xhy3054.github.io/vins-scale-gravity-velo/

4、滑窗優化

待優化變量爲：

殘差項：

這裏的殘差項包括邊緣化誤差、IMU測量誤差、視覺測量誤差。

• IMU測量誤差：
  
• 圖像測量誤差：
  
• 邊緣化誤差：
  原文中未給出公式

5、迴環優化

目標函數：

位姿圖中的優化變量僅有如下的4個自由度，因爲橫滾角和俯仰角對於IMU是可觀的。