VIO主流框架
本节主要说明当前主流的VIO算法流程。课程来源于B站。
高斯牛顿法
误差项:
$$
e(x+\Delta x)=e(x)+J(x)\Delta x
$$
- 一次观测
- 多次观测
- 逆深度 + VIO
EKF滤波和优化
- EKF铝箔相当于之迭代一次的优化，区别是滤波仅考虑上一帧的影响，而优化则考虑所有帧的影响
- 多次优化精度比滤波高，但效率低于滤波，因优化可以迭代多次，不断优化线性化点，是误差最小
IMU预积分
- 积分下一个时刻的PVQ作为视觉初始值
- 预计分相邻帧的PVQ变化量，作为IMU的约束
- 计算IMU误差的协方差和jacobian
VIO分类
将视觉约束就加到联合优化是紧耦合
将视觉约束后的位姿加入到联合优化是松耦合
MSCKF
具体流程如下所示:
- 初始化
- IMU预测
- 视觉跟踪
- 视觉增广
- 视觉更新—选老点或者看不见的点
- 视觉更新—边缘化
- 剔除老帧
误差状态向量
$$
\hat{X_k}^{(15+6N)\times1} = [\hat{X_{IMU_k}} \delta \theta_{C_1} \ce{G}\hat{p}{C_1} …\ce{^{G}\hat{p}{c_N} \ce{G}\hat{p}_{C_N}}]
$$
$$
\hat{X}_{IMU}_k^{15\times1}=[\delta\theta_I \hat{b_g}\space\ce{G}\hat{v}_I\hat{b}_a\space \ce{G}\hat{p}_I ]^T
$$
每得到一个新图像以后需要对协方差矩阵做一个增广
成熟的路标点 表示窗口内各帧都看得到的点
因子图
Tbc表示IMU与相机间的转换矩阵
路标点边缘化完后就可以了
第j个路标点的所有视觉误差为
$$
r^{2M\times1}\cong H_x^{2M\times(15+6N)\tilde{X}^{(15+N)\times1}}+H_f^{2M\times3}\ce{G}\hat{p}_{f_j}^{3\times1}+n^{2M\times1}
$$
将r投影到Hf的左零空间，想党羽对路标点进行边缘化，将边缘化约束来优化共视帧。
$$
r_0^(2M-3M_L)\times1=A^Tr^2M\times1\cong A^TH_{x}^{2M\times(15+6N)}\tilde{X}^{(15+6N)\times1}+A^Tn^(2M\times1)
$$
ROVIO
复杂 不常用
流程
- IMU预测
- 视觉更新
- IEKF
- 相机模型
- 像素坐标校正
- 光度误差
- QR分解
- Paych提取及Warp计算
- 路标点质量评价及维护
ROVIO使用光度误差
ROVIO将路标点包含到状态向量中。有因将路标点表征在当前帧的坐标系下，有范围限制，因此对其进行归一化得到无约束的状态量—方向向量Bearing Vector
ROVIO的创新点如下所示：
ROVIO中，路标点使用当前帧下的归一化相机系坐标Pc和你深度表示，并作为状态向量进行预测和更新。参数化不同导致预测和更新的细节不同，但总体还是EKF五大公式。又因Pc有边界约束，因此引入了Bearing Vector老了使得Pc平滑可导
状态向量：当前帧的PVQB和路标点( mu,p)
因子图如下
VINS
优化向量
包括滑动窗口内的n个相机状态PVQB、Camera到IMU的外参、m个3D点的逆深度：
$$
X=[x_0,x_1,…x_n,x_c^b,\lambda_0,\lambda_1,…\lambda_m]
$$
框表示滑动窗口，T中的R、t表示P、Q ；M中的是v和b；lambda表示路标的逆深度；（外参没有考虑）
VI-ORB
流程图
Tracklocal map：仅优化当前帧
Local Map：优化华创内的所有帧的PVQB和路标点
ICE-BA
增量式BA，误差为IMU和视觉，LBA为滑窗优化，GBA为所有KF优化，速度很快。
ICE-BA认为在建立增量方程时，对之前已经算过的且不变的那些状态向量没必要重新线性化（线性化及计算Jacobian），因为即使重新计算Jacobian也没什么变化。另外，也没必要对整体[H|b]矩阵进行消元，而是只对变化的进行更新。最后只计算变化的路标点即可。对于没有变化的状态向量的临时值则一直保存下来，避免重新计算。
总结而言，在ICE-BA中更新Factor有三种情况：
- 该Factor在本次迭代中没有变化，则不更新；
- 该Factor是新Factor，则在原来基础上+=新Factor。如新观察到一个新的路标点，则对此新路标点的观测约束就是一个新的Factor；
- 该Factor已存在但需要更新，则先减去旧Factor，再架上新Factor。
