VIO概述 On-Manifold Preintegration for Real-Time Visual--Inertial Odometry

目前的研究方向可以总结为在滤波算法中实现高精度，在优化算法中追求实时性．当加入IMU后，研究方向分为松耦合和紧耦合，松耦合分别单独计算出IMU测量得到的状态和视觉里程计得到的状态然后融合，紧耦合则将IMU测量和视觉约束信息放在一个非线性优化函数中去优化．紧耦合的框架使得IMU数据可以对视觉里程计进行矫正，同时视觉里程计信息也可以矫正IMU的零偏，因此一般认为紧耦合的定位精度较高．个人认为松耦合和滤波融合的方法类似，紧耦合则主要基于非线性优化．

IMU融合后可以处理视觉失效的情况，例如光照变化，遮挡，模糊，快速运动；同时视觉也可以对IMU的本质误差零偏（漂移）进行很好的估计．

视觉和IMU融合目前主要基于三类方法，在设计时，主要考虑精确度和计算量的平衡．

1. 滤波

• 状态向量只包含当前状态．由于线性化误差和计算能力的限制，通常只能构建很少的landmark/mappoint．或者创建structureless的状态向量（将landmark/mappoint边缘化），典型代表为MSCKF.
• 边缘化是将旧状态融合进当前状态的先验中，滤波方法主要的缺陷也就存在于边缘化过程中：首先当前测量的structure信息需要延迟处理，降低当前状态的更新精度，其次边缘化对线性化近似和外点（outlier）都比较敏感，容易造成滤波器状态失准．（这里有很多坑，还不太理解）．

2. Fixed-Lag Smoothing

• 也就是滑动窗口优化（Sliding Window Optimization）．状态向量包含随时间滑动的窗口内多个状态．但是也需要将旧状态边缘化到高斯先验中．因此在滤波算法中存在的边缘化问题，这里都存在．
• 但是由于采用了多个状态的窗口，状态估计更精确，同时可以建立鲁棒的优化代价函数，降低外点对状态估计的影响．
• 状态向量中可以加入测量的structure，但是太多strcuture会造成高斯先验矩阵是稠密的，通常会想办法减少structure的数量．

3. Full Smoothing

• 也就是batch non-linear least-squares或者全局优化，状态向量包含所有相机位姿和strcuture信息，做大规模的非线性优化．显然是最精确的方法，虽说稀疏性降低了计算量，但是依然比滤波大．主要工作集中于降低计算量．
• 可以采用只优化关键帧，以及将优化放在独立线程中．
• 最新的研究采用因子图，增量式地根据测量更新部分状态，典型代表为iSAM．
• 当引入IMU后，由于IMU频率通常在100Hz-1kHz量级，无法每次IMU测量都更新状态向量．通常的做法是在关键帧之间对IMU进行积分，初始状态由上一帧状态提供，根据IMU的微分运动方程，积分出当前状态，再将视觉测量引入更新．
• 然而，由于优化过程中上一帧的状态是会变化的，这样积分的初始状态改变了，需要重新算积分，为了避免每一次优化调整后都需要重复计算IMU积分，利用预积分preintegration将相对运动约束再参数化．

参考：

1. https://bitbucket.org/gtborg/gtsam

2. https://arxiv.org/abs/1512.02363