1.从零开始手写 VIO-学习准备

目录

1.VIO概述

2.VIO分类

3.为什么要使用紧耦合

4.本课程要探讨的问题

---

1.VIO概述

以视觉与 IMU 融合实现里程计

IMU(惯性测量单元)：

1. 典型 6 轴 IMU 以较高频率（≥ 100Hz）返回被测量物体的角速度
2. 与加速度
3. 受自身温度、零偏、振动等因素干扰，积分得到的平移和旋转容
4. 易漂移

视觉：

1. 以图像形式记录数据，频率较低（15 - 60Hz 居多）
2. • 通过图像特征点或像素推断相机运动
    

两者优势与劣势对比：

方案	IMU	相机
优势	快速响应 不受成像质量的影响 角速度普遍准确 可估计绝对尺度	不产生偏漂移（静态时） 直接旋转和平移
劣势	存在零偏 低精度IMU积分位姿发散 高精度价格昂贵	受图像遮挡、运动物干扰 单目视觉无法测量尺度 单目纯旋转运动无法估计 快速运动时容易丢失

 整体上，视觉和IMU融合存在一定的互补性质：

总结为：Low drift、high rate 、Robustness、物理尺度状态估计（位置、速度、姿态）

详解为：

1. MU适合计算短时间、快速的运动；
2. 视觉适合计算短时间、慢速的运动；
3. 同时，可以利用视觉定位信息来估计IMU的零偏，减少IMU由零偏导致的发散和累计误差。反之，IMU可以为视觉提供快速运动的定位。
4. IMU可以提供尺度信息，避免单目无法测尺度

2.VIO分类

• 松耦合

将 IMU 定位与视觉/GNSS 的位姿直接进行融合，融合过程对二者本
身不产生影响，作为后处理方式输出。典型方案为卡尔曼滤波器。
 

 

 

• 紧耦合：

融合过程本身会影响视觉和 IMU 中的参数（如 IMU 的零偏和视觉的尺度）。典型方案为 MSCKF 和非线性优化。

 3.为什么要使用紧耦合
 

单纯凭（单目）视觉或 IMU 都不具备估计 Pose 的能力：视觉存在尺度不确定性、 IMU 存在零偏导致漂移；
• 松耦合中，视觉内部 BA 没有 IMU 的信息，在整体层面来看不是最优的。
• 紧耦合可以一次性建模所有的运动和测量信息，更容易达到最优。

4.本课程要探讨的问题

• IMU 的测量数据表达了系统的什么状态，受哪些噪声影响？
• 如何建立一个带有 IMU 测量信息和视觉特征点信息的非线性优化问题并进行求解？
• 该问题随着时间将发生怎样的演变？
 

参考：

感谢深蓝学院的ppt,再次感谢