slam之视觉+IMU
融合IMU是为了克服纯视觉SLAM的缺点，或者是说为了互补IMU的优势和纯视觉SLAM的优势。下面看看IMU能为纯视觉SLAM解决什么问题：
1）运动过快的场景下，相机会出现图像模糊，或者两帧图像之间的重叠区域太少甚至没有，造成无法基于两帧图像中相同点和不同点测算运动；这种情况下，IMU可以补充发挥作用，继续提供可靠的(R,t)估算。
2）纯视觉难以处理动态场景，环境变化时，会误认为自己在运动，而IMU则能够感受到自己运动，避免运动误判。
3）视觉在纹理丰富的场景中可以正常工作，然而遇到玻璃、白墙等特征稀少的场景时就无法正常工作。
4）另外视觉还受光线条件影响和限制。
视觉+IMU的算法框架可以参考VINS和OKVIS
VIO松耦合中视觉运动估计和惯导运动估计系统是两个独立的模块，将每个模块的输出结果进行融合，而紧耦合则是使用两个传感器的原始数据共同估计一组变量，传感器噪声也是相互影响的，紧耦合算法上比较复杂，但充分利用了传感器数据，可以实现更好的效果，是目前研究的重点。
单目+IMU实现难点
1.IMU与相机内外参的校准比较困难，包括IMU的bias，相机焦距、主点和畸变参数。相机和IMU的转换关系，时间戳同步。
标定不准就严重影响系统稳定性，当前公开的标定算法都有缺陷，需要做一些改进才能达到消费者级别。不过我司解决了。
不同手机或者同款手机不同批次都会有一些区别，所以最好是提供在线标定的算法，这个就更难了。不过我司也解决了。
2.如同各位大神说的尺度，图像运动模糊，FOV太小，遮挡和运动物体干扰。解决方法之一就是尽量提高帧率，例如我们能跑60fps，就有很强鲁棒性。另外算法层面的改进也可以有很多骚操作，暂时不谈了。
3.camera2的实现也是关键，当前很多Android机型拿不到曝光时间，以及真实的时间戳，AE/AF等控制也都不起作用，导致只能在部分高端机型上才能有较好效果。就连ARCore也只能支持100多种机型而已。
作者：Kite
链接：https://www.zhihu.com/question/50385799/answer/796757584
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
SLAM 学习与开发经验分享 只更新到2017年
https://github.com/GeekLiB/Lee-SLAM-source
RGBD-SLAM总结 2017-10-25 很不错，可以多看
https://blog.csdn.net/qq_27550989/article/details/78341904
实现难点前面几位答主都罗列得差不多了，这里分享其中一些难点的解决思路。 1. 计算量大：我们从优化算法（采用FAST+SSD提取特征点），使用simd指令集，通过内存换时间这三方面来提升。 2. 单目初始化：我们结合了IMU来解决，首先找到一个平面，然后再从这个平面上来构建地图，这样就不需要平移相机了。 3. 纯旋转：单目通过算法可以解决一部分，可参考《Robust Keyframe-based Monocular SLAM for Augmented Reality 》 ，里面写得很详细。 4. 遮挡和动态物体，特征缺失、动态光源和人物的干扰：首先把屏幕分成区域，使跟踪的特征点均匀分布在这些区域里，再在算法里面进行检测，那么一直在运动的特征点就会被排除掉。 5. 回环检测：类似ptam处理，为每一个关键帧创建了一个Small Blurry Image，在回环检测线程里，随时比对两个SBI是否一致，来判断是否回环。 6. 尺度问题：我们采用的是相对尺度，单目+IMU可以解决这个问题，ARKit的绝对尺度做得很不错，目前我们还没有想出什么好办法
作者：太虚AR首席打杂官
链接：https://www.zhihu.com/question/50385799/answer/194883295
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
【泡泡机器人原创专栏】SLAM/VIO学习总结 2018-03-29非常到位
http://www.jintiankansha.me/t/BMxXKlFhMn
- 一、前言
- 二、为什么研究SLAM
- 2.1从机器人定位导航/状态估计说起
- 2.2 SLAM在机器人领域的应用
- 2.3 SLAM在AR/VR领域的应用
- 2.4 VIO的优势
- 三、学习资源
- 3.1 书籍
- 3.3 相机-IMU标定
- 3.3 数据集
- 3.4 工具软件
- 四、 求职
VINS-Mono代码分析总结
https://www.zybuluo.com/Xiaobuyi/note/866099