VIO 初始化小结 - 10.17
最近几个月忙于博士毕业，找工作一直没有继续更新博客，希望以这一篇开始，每个月能够继续有几篇总结博客。
首先review一下比较著名的vio系统
- Tightly coupled
- EKF: mainly ETH ASL R.Siegwart work
- Tightly-coupled
- EKF:
- MSCKF->MSCKF2.0->SR-ISWR observability and consistency analysis
- ROVIO
- SR-ISWF
- Optimization:
- OKVIS
- VINS-Mono (more robust initialization compared with OKVIS and less sensitive towards noise and bias prior)
- Inertial ORB (no original open source, no metric scale estimation at the beginning, sudden change of Map when the scale is solved)
- EKF:
VIO系统的优点显而易见，难点在于如何将visual和inertial两个传感器的优缺点有效结合，达到快速初始化（最重要的是尺度和重力方向），稳定鲁邦估计，以及对噪声和传感器参数（相机IMU外参，IMU零偏）的高度容忍或者在线估计。
这篇博客主要比较集中优化方法的初始化过程，为了达到非线性优化问题的最优解，一个靠谱的初值可以让系统很快收敛，不仅可以提高优化速度，也可以达到optimal的状态估计。相反，初值估计错误不仅导致非线性优化问题陷入局部最小，而且使得参数估计完全错误，从而使得系统崩溃（俗称系统飞掉，特别是imu的bias参数估计错误）。
首先介绍OKVIS的初始化方法，OKVIS对IMU的参数非常敏感（相对于VINS-Mono使用商用级别commercial-grade的IMU即可，它需要使用工业级别industrial-grade的IMU来完成初始化操作），因为整个系统的状态propagation就是基于IMU，更严苛的是系统的初始化状态也完全依赖于初始（几十个或者几百个）IMU数据的propagation给出的姿态，如果是pure rotation运动，则使用2D-2D匹配进行跟踪，轨迹仅由IMU给出，当可以三角化出landmark时（有足够的2D-2D匹配内点，且内点可以恢复出3D点（使用Kneip的Opengv中算法）），初始化完成。后续同时使用3D-2D匹配和2D-2D匹配。因此，IMU给出的初始轨迹估计需要比较准确，才可以给出初始轨迹，并且确定何时可以初始化完成。
