VINS-FUSION 前端后端代码全详解（转载）

转载自古月居：https://mp.weixin.qq.com/s/hoPDnZhT7ltkKib6mqSTcA

VINS-FUSION 前端后端代码全详解

原创 lovely_yoshino 古月居 今天

我首先参照网络上的文档整理了全部的代码，并对于C++和OpenCV的一些操作也进行了详细的注释，并写了这篇的博客进行全部的讲解，其中1-4章节是前端VIO信息，5章节是后端DBOW词袋回环，6-7章节是GPS与VIO融合，8章节是参考文献。

1. 程序入口rosNodeTest.cpp

1.1 定义内容

运行程序时，首先进入的是主程序vins_estimator/src/estimator/rosNodeTest.cpp
里边主要定义了估计器、缓存器 、获取传感器数据的函数和一个主函数。

// 获得左目的messagevoid img0_callback(const sensor_msgs::ImageConstPtr &img_msg)// 获得右目的messagevoid img1_callback(const sensor_msgs::ImageConstPtr &img_msg)// 从msg中获取图片，返回值cv::Mat，输入是当前图像msg的指针cv::Mat getImageFromMsg(const sensor_msgs::ImageConstPtr &img_msg)// 从两个主题中提取具有相同时间戳的图像// 并将图像输入到估计器中void sync_process()// 输入imu的msg信息，进行解算并把imu数据输入到estimatorvoid imu_callback(const sensor_msgs::ImuConstPtr &imu_msg)// 把特征点的点云msg输入到estimatorvoid feature_callback(const sensor_msgs::PointCloudConstPtr &feature_msg)// 是否重启estimator，并重新设置参数void restart_callback(const std_msgs::BoolConstPtr &restart_msg)// 是否使用IMUvoid imu_switch_callback(const std_msgs::BoolConstPtr &switch_msg)// 相机的开关void cam_switch_callback(const std_msgs::BoolConstPtr &switch_msg)int main(int argc, char **argv)

1.2 程序执行

1.2.1 获取参数并设置参数

具体的方法在函数，主函数中，主要是执行以下各个步骤订阅ROS信息，然后进行处理。

string config_file = argv[1];printf("config_file: %s\n", argv[1]);//config_file: 4VINS_test/0config/yaml_mynt_s1030/mynt_stereo_imu_config.yaml readParameters(config_file);// 读取参数estimator.setParameter();// 设置参数 /*    ros::Subscriber subscribe (const std::string &topic, uint32_t queue_size, void(*fp)(M), const TransportHints &transport_hints=TransportHints())    第一个参数是订阅话题的名称；    第二个参数是订阅队列的长度；（如果收到的消息都没来得及处理，那么新消息入队，旧消息就会出队）；    第三个参数是回调函数的指针，指向回调函数来处理接收到的消息！    第四个参数：似乎与延迟有关系，暂时不关心。（该成员函数有13重载）    */    ros::Subscriber sub_imu = n.subscribe(IMU_TOPIC, 2000, imu_callback, ros::TransportHints().tcpNoDelay());    ros::Subscriber sub_feature = n.subscribe("/feature_tracker/feature", 2000, feature_callback);    ros::Subscriber sub_img0 = n.subscribe(IMAGE0_TOPIC, 100, img0_callback);    ros::Subscriber sub_img1 = n.subscribe(IMAGE1_TOPIC, 100, img1_callback);    ros::Subscriber sub_restart = n.subscribe("/vins_restart", 100, restart_callback);    ros::Subscriber sub_imu_switch = n.subscribe("/vins_imu_switch", 100, imu_switch_callback);    ros::Subscriber sub_cam_switch = n.subscribe("/vins_cam_switch", 100, cam_switch_callback);     std::thread sync_thread{sync_process}; //创建sync_thread线程，指向sync_process，这里边处理了processMeasurements的线程    ros::spin(); // 用于触发topic, service的响应队列    // 如果你的程序写了相关的消息订阅函数，那么程序在执行过程中，除了主程序以外，ROS还会自动在后台按照你规定的格式，接受订阅的消息，但是所接到的消息并不是    // 立刻就被处理，而是必须要等到ros::spin()或ros::spinOnce()执行的时候才被调用，这就是消息回到函数的原理

其中有几个比较重要的函数，在下方进行说明。

1.2.2 imu_callback

其中imu_callback中订阅imu信息，并将器填充到accBuf和gyrBuf中，之后执行了vins_estimator/src/estimator/estimator.cpp中inputIMU函数的fastPredictIMU、pubLatestOdometry函数

fastPredictIMU使用上一时刻的姿态进行快速的imu预积分，这个信息根据processIMU的最新数据Ps[frame_count]、Rs[frame_count]、Vs[frame_count]、Bas[frame_count]、Bgs[frame_count]来进行预积分，从而保证信息能够正常发布。

// 使用上一时刻的姿态进行快速的imu预积分// 用来预测最新P,V,Q的姿态// -latest_p,latest_q,latest_v,latest_acc_0,latest_gyr_0 最新时刻的姿态。这个的作用是为了刷新姿态的输出，但是这个值的误差相对会比较大，是未经过非线性优化获取的初始值。void Estimator::fastPredictIMU(double t, Eigen::Vector3d linear_acceleration, Eigen::Vector3d angular_velocity)

其中latest_Ba、latest_Bb是在预积分处就已经计算完毕的。

// 其中包含了检测关键帧,估计外部参数,初始化,状态估计,划窗等等。/** * 处理一帧图像特征 * 1、提取前一帧与当前帧的匹配点 * 2、在线标定外参旋转 *     利用两帧之间的Camera旋转和IMU积分旋转，构建最小二乘问题，SVD求解外参旋转 *     1) Camera系，两帧匹配点计算本质矩阵E，分解得到四个解，根据三角化成功点比例确定最终正确解R、t，得到两帧之间的旋转R *     2) IMU系，积分计算两帧之间的旋转 *     3) 根据旋转构建最小二乘问题，SVD求解外参旋转 * 3、系统初始化 * 4、3d-2d Pnp求解当前帧位姿 * 5、三角化当前帧特征点 * 6、滑窗执行Ceres优化，边缘化，更新滑窗内图像帧的状态（位姿、速度、偏置、外参、逆深度、相机与IMU时差） * 7、剔除outlier点 * 8、用当前帧与前一帧位姿变换，估计下一帧位姿，初始化下一帧特征点的位置 * 9、移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点 * 10、删除优化后深度值为负的特征点 * @param image  图像帧特征 * @param header 时间戳*/void Estimator::processImage(const map>>> &image, const double header)

经过fastPredictIMU函数后我们可以拿到latest_P, latest_Q, latest_V三个变量，之后即可通过pubLatestOdometry广播odom信息。

//构建一个odometry的msg并发布void pubLatestOdometry(const Eigen::Vector3d &P, const Eigen::Quaterniond &Q, const Eigen::Vector3d &V, double t)

1.2.3 feature_callback

feature_callback的作用是获取点云数据，之后填充featureFrame，并把featureFrame通过inputFeature输入到estimator，且填充了featureBuf。

/** * 订阅一帧跟踪的特征点，包括3D坐标、像素坐标、速度，交给estimator处理*/void feature_callback(const sensor_msgs::PointCloudConstPtr &feature_msg){    map>>> featureFrame;    for (unsigned int i = 0; i < feature_msg->points.size(); i++)    {        int feature_id = feature_msg->channels[0].values[i];        int camera_id = feature_msg->channels[1].values[i];        double x = feature_msg->points[i].x;        double y = feature_msg->points[i].y;        double z = feature_msg->points[i].z;        double p_u = feature_msg->channels[2].values[i];        double p_v = feature_msg->channels[3].values[i];        double velocity_x = feature_msg->channels[4].values[i];        double velocity_y = feature_msg->channels[5].values[i];        if(feature_msg->channels.size() > 5)        {            double gx = feature_msg->channels[6].values[i];            double gy = feature_msg->channels[7].values[i];            double gz = feature_msg->channels[8].values[i];            pts_gt[feature_id] = Eigen::Vector3d(gx, gy, gz);            //printf("receive pts gt %d %f %f %f\n", feature_id, gx, gy, gz);        }        ROS_ASSERT(z == 1);        Eigen::Matrix xyz_uv_velocity;        xyz_uv_velocity << x, y, z, p_u, p_v, velocity_x, velocity_y;        featureFrame[feature_id].emplace_back(camera_id,  xyz_uv_velocity);    }    double t = feature_msg->header.stamp.toSec();    estimator.inputFeature(t, featureFrame);    return;}

1.2.4 sync_process

之后通过：

// 从两个图像队列中取出最早的一帧，并从队列删除，双目要求两帧时差不得超过0.003sstd::thread sync_thread{sync_process}; //创建sync_thread线程，指向sync_process，这里边处理了measurementpross的线程

进入sync_process进行处理。

/** * 从两个图像队列中取出最早的一帧，并从队列删除，双目要求两帧时差不得超过0.003s*/void sync_process(){    while(1)    {        if(STEREO)        {            cv::Mat image0, image1;            std_msgs::Header header;            double time = 0;            m_buf.lock();            if (!img0_buf.empty() && !img1_buf.empty())            {                double time0 = img0_buf.front()->header.stamp.toSec();                double time1 = img1_buf.front()->header.stamp.toSec();                // 双目相机左右图像时差不得超过0.003s                if(time0 < time1 - 0.003)                {                    img0_buf.pop();                    printf("throw img0\n");                }                else if(time0 > time1 + 0.003)                {                    img1_buf.pop();                    printf("throw img1\n");                }                else                {                    // 提取缓存队列中最早一帧图像，并从队列中删除                    time = img0_buf.front()->header.stamp.toSec();                    header = img0_buf.front()->header;                    image0 = getImageFromMsg(img0_buf.front());                    img0_buf.pop();                    image1 = getImageFromMsg(img1_buf.front());                    img1_buf.pop();                }            }            m_buf.unlock();            if(!image0.empty())                estimator.inputImage(time, image0, image1);        }        else        {            cv::Mat image;            std_msgs::Header header;            double time = 0;            m_buf.lock();            if(!img0_buf.empty())            {                time = img0_buf.front()->header.stamp.toSec();                header = img0_buf.front()->header;                image = getImageFromMsg(img0_buf.front());                img0_buf.pop();            }            m_buf.unlock();            if(!image.empty())                estimator.inputImage(time, image);        }         std::chrono::milliseconds dura(2);        std::this_thread::sleep_for(dura);    }}

该函数中，首先对是否双目进行判断。

如果是双目，需要检测同步问题。对双目的时间进行判断，时间间隔小于0.003s的话则使用getImageFromMsg将其输入到image0和image1变量之中。之后estimator.inputImage。

如果是单目，则直接estimator.inputImage。

2. 图像输入estimator.cpp

2.1 inputImage

/** * 输入一帧图像 * 1、featureTracker，提取当前帧特征点 * 2、添加一帧特征点，processMeasurements处理*/void Estimator::inputImage(double t, const cv::Mat &_img, const cv::Mat &_img1){    inputImageCnt++;    // 特征点id，(x,y,z,pu,pv,vx,vy)    map>>> featureFrame;    TicToc featureTrackerTime;     /**     * 跟踪一帧图像，提取当前帧特征点     * 1、用前一帧运动估计特征点在当前帧中的位置，如果特征点没有速度，就直接用前一帧该点位置     * 2、LK光流跟踪前一帧的特征点，正反向，删除跟丢的点；如果是双目，进行左右匹配，只删右目跟丢的特征点     * 3、对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩阵，用极线约束进一步剔除outlier点（代码注释掉了）     * 4、如果特征点不够，剩余的用角点来凑；更新特征点跟踪次数     * 5、计算特征点归一化相机平面坐标，并计算相对与前一帧移动速度     * 6、保存当前帧特征点数据（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）     * 7、展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点    */    if(_img1.empty())        featureFrame = featureTracker.trackImage(t, _img);    else        featureFrame = featureTracker.trackImage(t, _img, _img1);    //printf("featureTracker time: %f\n", featureTrackerTime.toc());     // 发布跟踪图像    if (SHOW_TRACK)    {        cv::Mat imgTrack = featureTracker.getTrackImage();        pubTrackImage(imgTrack, t);    }     // 添加一帧特征点，处理    if(MULTIPLE_THREAD)      {             if(inputImageCnt % 2 == 0)        {            mBuf.lock();            featureBuf.push(make_pair(t, featureFrame));            mBuf.unlock();        }    }    else    {        mBuf.lock();        featureBuf.push(make_pair(t, featureFrame));        mBuf.unlock();        TicToc processTime;        processMeasurements();        printf("process time: %f\n", processTime.toc());    } }

当中需要先设置参数，并开启processMeasurements线程。

setParameter();

然后追踪图像上的特征trackImage，之后会进行详解,其中得到了featureFrame。

if(_img1.empty())    featureFrame = featureTracker.trackImage(t, _img);// 追踪单目else    featureFrame = featureTracker.trackImage(t, _img, _img1);// 追踪双目

然后，getTrackImage对特征到跟踪的图像进行一些处理。并把追踪的图片imgTrack发布出去。

if (SHOW_TRACK)//这个应该是展示轨迹     {        cv::Mat imgTrack = featureTracker.getTrackImage();        pubTrackImage(imgTrack, t);    }

然后，填充featureBuf。

最后执行processMeasurements，这是处理全部量测的线程,IMU的预积分,特征点的处理等等都在这里进行。

2.2 trackImage

根据2.1的讲述，我们发现当中用到了trackImage这个函数，这个函数在

vins_estimator/src/featureTracker/feature_tracker.cpp。

/** * 跟踪一帧图像，提取当前帧特征点 * 1、用前一帧运动估计特征点在当前帧中的位置 * 2、LK光流跟踪前一帧的特征点，正反向，删除跟丢的点；如果是双目，进行左右匹配，只删右目跟丢的特征点 * 3、对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩阵，用极线约束进一步剔除outlier点（代码注释掉了） * 4、如果特征点不够，剩余的用角点来凑；更新特征点跟踪次数 * 5、计算特征点归一化相机平面坐标，并计算相对与前一帧移动速度 * 6、保存当前帧特征点数据（归一化相机平面坐标，像素坐标，归一化相机平面移动速度） * 7、展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点*/map>>> FeatureTracker::trackImage(double _cur_time, const cv::Mat &_img, const cv::Mat &_img1)

图像处理可以添加图像处理的部分，比如直方图均衡等等方法。

{        cv::Ptr clahe = cv::createCLAHE(3.0, cv::Size(8, 8));//createCLAHE 直方图均衡        clahe->apply(cur_img, cur_img);        if(!rightImg.empty())            clahe->apply(rightImg, rightImg);    }

2.2.1 hasPrediction

会对上一帧的特征点进行处理，计算出上一帧运动估计特征点在当前帧中的位置。对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩。

if(hasPrediction)        {            cur_pts = predict_pts;            // LK光流跟踪两帧图像特征点，金字塔为1层            cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 1,             cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);             // 跟踪到的特征点数量            int succ_num = 0;            for (size_t i = 0; i < status.size(); i++)            {                if (status[i])                    succ_num++;            }            // 特征点太少，金字塔调整为3层，再跟踪一次            if (succ_num < 10)               cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 3);        }

2.2.2 if(SHOW_TRACK)

画出追踪情况，就是在图像上的特征点位置出画圈圈，如果是双目的话就连线。

// 展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点    if(SHOW_TRACK)        drawTrack(cur_img, rightImg, ids, cur_pts, cur_right_pts, prevLeftPtsMap);

2.2.3 setMask

在已跟踪到角点的位置上，将mask对应位置上设为0,
意为在cv::goodFeaturesToTrack(forw_img, n_pts, MAX_CNT - forw_pts.size(), 0.01, MIN_DIST, mask);进行操作时在该点不再重复进行角点检测，这样可以使角点分布更加均匀。具体详情见开源的注释代码。

/** * 特征点画个圈（半径MIN_DIST）存mask图，同时特征点集合按跟踪次数从大到小重排序*/void FeatureTracker::setMask()

2.2.4 goodFeaturesToTrack

如果当前图像的特征点cur_pts数目小于规定的最大特征点数目MAX_CNT，则进行提取。提取使用的cv::goodFeaturesToTrack。将点保存到n_pts。

/* goodFeaturesToTrack_image：8位或32位浮点型输入图像，单通道_corners：保存检测出的角点maxCorners：角点数目最大值，如果实际检测的角点超过此值，则只返回前maxCorners个强角点qualityLevel：角点的品质因子minDistance：对于初选出的角点而言，如果在其周围minDistance范围内存在其他更强角点，则将此角点删除_mask：指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROIblockSize：计算协方差矩阵时的窗口大小useHarrisDetector：指示是否使用Harris角点检测，如不指定，则计算shi-tomasi角点harrisK：Harris角点检测需要的k值 */cv::goodFeaturesToTrack(cur_img, n_pts, MAX_CNT - cur_pts.size(), 0.01, MIN_DIST, mask);// mask 这里肯定是指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROI

之后将n_pts保存到cur_pts之中。

2.2.5 undistortedPts

将像素座标系下的座标，转换为归一化相机座标系下的座标 即un_pts为归一化相机座标系下的座标。

/** * 像素点计算归一化相机平面点，带畸变校正*/vector FeatureTracker::undistortedPts(vector &pts, camodocal::CameraPtr cam){    vector un_pts;    for (unsigned int i = 0; i < pts.size(); i++)    {        // 特征点像素坐标        Eigen::Vector2d a(pts[i].x, pts[i].y);        Eigen::Vector3d b;        // 像素点计算归一化相机平面点，带畸变校正        cam->liftProjective(a, b);        // 归一化相机平面点        un_pts.push_back(cv::Point2f(b.x() / b.z(), b.y() / b.z()));    }    return un_pts;}

2.2.6 cam->liftProjective(a, b)

这个函数是对鱼眼相机模型的标定及去畸变过程。

/** * \brief Lifts a point from the image plane to its projective ray * \param p image coordinates * \param P coordinates of the projective ray * 这个函数是对鱼眼相机模型的标定及去畸变过程 */voidPinholeCamera::liftProjective(const Eigen::Vector2d& p, Eigen::Vector3d& P) const

之后通过ptsVelocity计算当前帧相对于前一帧 特征点沿x,y方向的像素移动速度。

/** * 计算当前帧归一化相机平面特征点在x、y方向上的移动速度 * @param pts 当前帧归一化相机平面特征点*/vector FeatureTracker::ptsVelocity(vector &ids, vector &pts,                                             map &cur_id_pts, map &prev_id_pts){    vector pts_velocity;    cur_id_pts.clear();    for (unsigned int i = 0; i < ids.size(); i++)    {        cur_id_pts.insert(make_pair(ids[i], pts[i]));    }     // caculate points velocity    if (!prev_id_pts.empty())    {        double dt = cur_time - prev_time;         // 遍历当前帧归一化相机平面特征点        for (unsigned int i = 0; i < pts.size(); i++)        {            std::map::iterator it;            it = prev_id_pts.find(ids[i]);            if (it != prev_id_pts.end())            {                // 计算点在归一化相机平面上x、y方向的移动速度                double v_x = (pts[i].x - it->second.x) / dt;                double v_y = (pts[i].y - it->second.y) / dt;                pts_velocity.push_back(cv::Point2f(v_x, v_y));            }            else                pts_velocity.push_back(cv::Point2f(0, 0));         }    }    else    {        for (unsigned int i = 0; i < cur_pts.size(); i++)        {            pts_velocity.push_back(cv::Point2f(0, 0));        }    }    return pts_velocity;}

2.3 双目摄像头

如果是双目相机，那么在右目上追踪左目的特征点。使用的函数是calcOpticalFlowPyrLK。

/*光流跟踪是在左右两幅图像之间进行cur left ---- cur rightprevImg    第一幅8位输入图像 或 由buildOpticalFlowPyramid()构造的金字塔。nextImg    第二幅与preImg大小和类型相同的输入图像或金字塔。prevPts    光流法需要找到的二维点的vector。点坐标必须是单精度浮点数。nextPts    可以作为输入，也可以作为输出。包含输入特征在第二幅图像中计算出的新位置的二维点（单精度浮点坐标）的输出vector。当使用OPTFLOW_USE_INITIAL_FLOW 标志时，nextPts的vector必须与input的大小相同。status    输出状态vector(类型：unsigned chars)。如果找到了对应特征的流，则将向量的每个元素设置为1；否则，置0。err    误差输出vector。vector的每个元素被设置为对应特征的误差，可以在flags参数中设置误差度量的类型；如果没有找到流，则未定义误差（使用status参数来查找此类情况）。winSize    每级金字塔的搜索窗口大小。maxLevel    基于最大金字塔层次数。如果设置为0，则不使用金字塔（单级）；如果设置为1，则使用两个级别，等等。如果金字塔被传递到input，那么算法使用的级别与金字塔同级别但不大于MaxLevel。criteria    指定迭代搜索算法的终止准则（在指定的最大迭代次数标准值（criteria.maxCount）之后，或者当搜索窗口移动小于criteria.epsilon。）flags 操作标志，可选参数：OPTFLOW_USE_INITIAL_FLOW：使用初始估计，存储在nextPts中；如果未设置标志，则将prevPts复制到nextPts并被视为初始估计。OPTFLOW_LK_GET_MIN_EIGENVALS：使用最小本征值作为误差度量（见minEigThreshold描述）；如果未设置标志，则将原始周围的一小部分和移动的点之间的 L1 距离除以窗口中的像素数，作为误差度量。minEigThreshold    算法所计算的光流方程的2x2标准矩阵的最小本征值（该矩阵称为[Bouguet00]中的空间梯度矩阵）÷ 窗口中的像素数。如果该值小于MinEigThreshold，则过滤掉相应的特征，相应的流也不进行处理。因此可以移除不好的点并提升性能。*/cv::calcOpticalFlowPyrLK(cur_img, rightImg, cur_pts, cur_right_pts, status, err, cv::Size(21, 21), 3);2.3.1 if(FLOW_BACK)如果这个打开，就想前边的左右目图像的位置换一下，在进行一次特征跟踪，目的是反向跟踪，得到左右目都匹配到的点
// 反向LK光流计算一次        if(FLOW_BACK)        {            vector reverse_status;            vector reverse_pts = prev_pts;            cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 1,             cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);            //cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 3);              // 正向、反向都匹配到了，且用正向匹配点反向匹配回来，与原始点距离不超过0.5个像素，认为跟踪到了            for(size_t i = 0; i < status.size(); i++)            {                if(status[i] && reverse_status[i] && distance(prev_pts[i], reverse_pts[i]) <= 0.5)                {                    status[i] = 1;                }                else                    status[i] = 0;            }        }

之后和单目一样执行undistortedPts 和 ptsVelocity。

2.3.2 制作featureFrame

// 添加当前帧特征点（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）    map>>> featureFrame;

其中，camera_id = 0为左目上的点，camera_id = 1，为右目上的点。

3. IMU处理estimator.cpp

3.1 判断IMU数据是否可用

if ((!USE_IMU  || IMUAvailable(feature.first + td)))//如果不用imu或者超时

其中，

// 判断输入的时间t时候的imu是否可用bool Estimator::IMUAvailable(double t)

3.2 获得accVector和gyrVector

对imu的时间进行判断，讲队列里的imu数据放入到accVector和gyrVector中。

// 对imu的时间进行判断，讲队列里的imu数据放入到accVector和gyrVector中，完成之后返回truebool Estimator::getIMUInterval(double t0, double t1, vector> &accVector,                                 vector> &gyrVector)

3.3 初始化IMU的姿态

initFirstIMUPose,其实很简单,就是求一个姿态角,然后把航向角设为0。

//第一帧IMU姿态初始化// 用初始时刻加速度方向对齐重力加速度方向，得到一个旋转，使得初始IMU的z轴指向重力加速度方向void Estimator::initFirstIMUPose(vector> &accVector)

3.4 处理IMU数据,运行processIMU

/** * 处理一帧IMU，积分 * 用前一图像帧位姿，前一图像帧与当前图像帧之间的IMU数据，积分计算得到当前图像帧位姿 * Rs，Ps，Vs * @param t                     当前时刻 * @param dt                    与前一帧时间间隔 * @param linear_acceleration   当前时刻加速度 * @param angular_velocity      当前时刻角速度*/void Estimator::processIMU(double t, double dt, const Vector3d &linear_acceleration, const Vector3d &angular_velocity)

其中frame_count是值窗内的第几帧图像，下边是新建一个预积分项目。

pre_integrations[frame_count] = new IntegrationBase{acc_0, gyr_0, Bas[frame_count], Bgs[frame_count]};

预积分：

pre_integrations[frame_count]->push_back(dt, linear_acceleration, angular_velocity);        // push_back重载的时候就已经进行了预积分

其中的push_back：

 void push_back(double dt, const Eigen::Vector3d &acc, const Eigen::Vector3d &gyr){        dt_buf.push_back(dt);        acc_buf.push_back(acc);        gyr_buf.push_back(gyr);        propagate(dt, acc, gyr);    }其中的propagate
    // IMU预积分传播方程     // 积分计算两个关键帧之间IMU测量的变化量    // 同时维护更新预积分的Jacobian和Covariance,计算优化时必要的参数    /**     * IMU中值积分传播     * 1、前一时刻状态计算当前时刻状态，PVQ，Ba，Bg     * 2、计算当前时刻的误差Jacobian，误差协方差 todo    */    void propagate(double _dt, const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1){        dt = _dt;        acc_1 = _acc_1;        gyr_1 = _gyr_1;        Vector3d result_delta_p;        Quaterniond result_delta_q;        Vector3d result_delta_v;        Vector3d result_linearized_ba;        Vector3d result_linearized_bg;         /**         * 中值积分         * 1、前一时刻状态计算当前时刻状态，PVQ，其中Ba，Bg保持不变         * 2、计算当前时刻的误差Jacobian，误差协方差 todo        */        midPointIntegration(_dt, acc_0, gyr_0, _acc_1, _gyr_1, delta_p, delta_q, delta_v,                            linearized_ba, linearized_bg,                            result_delta_p, result_delta_q, result_delta_v,                            result_linearized_ba, result_linearized_bg, 1);         //checkJacobian(_dt, acc_0, gyr_0, acc_1, gyr_1, delta_p, delta_q, delta_v,        //                    linearized_ba, linearized_bg);        delta_p = result_delta_p;        delta_q = result_delta_q;        delta_v = result_delta_v;        linearized_ba = result_linearized_ba;        linearized_bg = result_linearized_bg;        delta_q.normalize();        sum_dt += dt;        acc_0 = acc_1;        gyr_0 = gyr_1;       }

其中的midPointIntegration.这里边就涉及到了IMU的传播方针和协方差矩阵.雅克比矩阵等等.哪里不懂可以VIO的理论知识。

// 中值积分递推Jacobian和Covariance// _acc_0上次测量加速度 _acc_1本次测量加速度 delta_p上一次的位移 result_delta_p位置变化量计算结果 update_jacobian是否更新雅克比基本方法就涉及到了IMU的创博方针和器方差矩阵的窗哦sdfvoid midPointIntegration(double _dt,                         const Eigen::Vector3d &_acc_0, const Eigen::Vector3d &_gyr_0,                        const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1,                        const Eigen::Vector3d &delta_p, const Eigen::Quaterniond &delta_q, const Eigen::Vector3d &delta_v,                        const Eigen::Vector3d &linearized_ba, const Eigen::Vector3d &linearized_bg,                        Eigen::Vector3d &result_delta_p, Eigen::Quaterniond &result_delta_q, Eigen::Vector3d &result_delta_v,                        Eigen::Vector3d &result_linearized_ba, Eigen::Vector3d &result_linearized_bg, bool update_jacobian)

之后计算对应绝对坐标系下的位置等。

 // Rs Ps Vs是frame_count这一个图像帧开始的预积分值,是在绝对坐标系下的.    int j = frame_count;             Vector3d un_acc_0 = Rs[j] * (acc_0 - Bas[j]) - g;//移除了偏执的加速度    Vector3d un_gyr = 0.5 * (gyr_0 + angular_velocity) - Bgs[j];//移除了偏执的gyro    Rs[j] *= Utility::deltaQ(un_gyr * dt).toRotationMatrix();    Vector3d un_acc_1 = Rs[j] * (linear_acceleration - Bas[j]) - g;    Vector3d un_acc = 0.5 * (un_acc_0 + un_acc_1);    Ps[j] += dt * Vs[j] + 0.5 * dt * dt * un_acc;    Vs[j] += dt * un_acc;

4. 图像处理estimator.cpp

4.1 processImage

函数入口processMeasurements中的processImage(feature.second, feature.first);输入的之后关键帧和时间。

/* addFeatureCheckParallax对当前帧与之前帧进行视差比较，如果是当前帧变化很小，就会删去倒数第二帧，如果变化很大，就删去最旧的帧。并把这一帧作为新的关键帧这样也就保证了划窗内优化的,除了最后一帧可能不是关键帧外,其余的都是关键帧VINS里为了控制优化计算量，在实时情况下，只对当前帧之前某一部分帧进行优化，而不是全部历史帧。局部优化帧的数量就是窗口大小。为了维持窗口大小，需要去除旧的帧添加新的帧，也就是边缘化 Marginalization。到底是删去最旧的帧（MARGIN_OLD）还是删去刚刚进来窗口倒数第二帧(MARGIN_SECOND_NEW)如果大于最小像素,则返回true *//** * 添加特征点记录，并检查当前帧是否为关键帧 * @param frame_count   当前帧在滑窗中的索引 * @param image         当前帧特征（featureId，cameraId，feature）*/bool FeatureManager::addFeatureCheckParallax(int frame_count, const map>>> &image, double td)

判断之后，确定marg掉那个帧。

// 检测关键帧if (f_manager.addFeatureCheckParallax(frame_count, image, td)){    marginalization_flag = MARGIN_OLD;//新一阵将被作为关键帧!    //printf("keyframe\n");}else{    marginalization_flag = MARGIN_SECOND_NEW;    //printf("non-keyframe\n");}

4.2 估计相机和IMU的外参

// 当前帧预积分（前一帧与当前帧之间的IMU预积分）imageframe.pre_integration = tmp_pre_integration;all_image_frame.insert(make_pair(header, imageframe));// 重置预积分器tmp_pre_integration = new IntegrationBase{acc_0, gyr_0, Bas[frame_count], Bgs[frame_count]}; // 估计一个外部参,并把ESTIMATE_EXTRINSIC置1,输出ric和RICif(ESTIMATE_EXTRINSIC == 2)

首先找到对应的图像。

vector> corres = f_manager.getCorresponding(frame_count - 1, frame_count);            // 这个里边放的是新图像和上一帧

使用CalibrationExRotation计算参数。

/* CalibrationExRotation当外参完全不知道的时候，可以在线对其进行初步估计,然后在后续优化时，会在optimize函数中再次优化。输入是新图像和上一阵图像的位姿 和二者之间的imu预积分值,输出旋转矩阵对应VIO课程第七讲中对外参矩阵的求解 */bool InitialEXRotation::CalibrationExRotation(vector> corres, Quaterniond delta_q_imu, Matrix3d &calib_ric_result)

4.3 如果没有初始化,那么就先进行初始化

4.3.1 单目+IMU的初始化

// monocular + IMU initilization // 单目+IMU系统初始化 if (!STEREO && USE_IMU) {     // 要求滑窗满     if (frame_count == WINDOW_SIZE)     {         bool result = false;         // 如果上次初始化没有成功，要求间隔0.1s         if(ESTIMATE_EXTRINSIC != 2 && (header - initial_timestamp) > 0.1)         {             /**              * todo              * 系统初始化              * 1、计算滑窗内IMU加速度的标准差，用于判断移动快慢              * 2、在滑窗中找到与当前帧具有足够大的视差，同时匹配较为准确的一帧，计算相对位姿变换              *   1) 提取滑窗中每帧与当前帧之间的匹配点（要求点在两帧之间一直被跟踪到，属于稳定共视点），超过20个则计算视差              *   2) 两帧匹配点计算本质矩阵E，恢复R、t              *   3) 视差超过30像素，匹配内点数超过12个，则认为符合要求，返回当前帧              * 3、以上面找到的这一帧为参考系，Pnp计算滑窗每帧位姿，然后三角化所有特征点，构建BA（最小化点三角化前后误差）优化每帧位姿              *   1) 3d-2d Pnp求解每帧位姿              *   2) 对每帧与l帧、当前帧三角化              *   3) 构建BA，最小化点三角化前后误差，优化每帧位姿              *   4) 保存三角化点              * 4、对滑窗中所有帧执行Pnp优化位姿              * 5、Camera与IMU初始化，零偏、尺度、重力方向             */             result = initialStructure();             initial_timestamp = header;            }         if(result)         {             // 滑窗执行Ceres优化，边缘化，更新滑窗内图像帧的状态（位姿、速度、偏置、外参、逆深度、相机与IMU时差）             optimization();             // 用优化后的当前帧位姿更新IMU积分的基础位姿，用于展示IMU轨迹             updateLatestStates();             solver_flag = NON_LINEAR;             // 移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点             slideWindow();             ROS_INFO("Initialization finish!");         }         else             // 移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点             slideWindow();     } }

其中的initialStructure还含有很多函数。

// 视觉和惯性的对其,对应https://mp.weixin.qq.com/s/9twYJMOE8oydAzqND0UmFw中的visualInitialAlign/* visualInitialAlign很具VIO课程第七讲:一共分为5步:1估计旋转外参. 2估计陀螺仪bias 3估计中立方向,速度.尺度初始值 4对重力加速度进一步优化 5将轨迹对其到世界坐标系 */bool Estimator::visualInitialAlign()  // 视觉IMu的对其bool VisualIMUAlignment(map &all_image_frame, Vector3d* Bgs, Vector3d &g, VectorXd &x)  // 更新得到新的陀螺仪漂移Bgs// 对应视觉IMU对其的第二部分// 对应https://mp.weixin.qq.com/s/9twYJMOE8oydAzqND0UmFw中的公式31-34void solveGyroscopeBias(map &all_image_frame, Vector3d* Bgs)  // 初始化速度、重力和尺度因子// 对应 https://mp.weixin.qq.com/s/9twYJMOE8oydAzqND0UmFw 中的公式34-36bool LinearAlignment(map &all_image_frame, Vector3d &g, VectorXd &x)

成功初始化之后则执行，optimization()、 updateLatestStates() 、slideWindow()。

if(result)//如果初始化成功{    optimization();//先进行一次滑动窗口非线性优化，得到当前帧与第一帧的位姿    updateLatestStates();    solver_flag = NON_LINEAR;    slideWindow();//滑动窗口    ROS_INFO("Initialization finish!");}else//滑掉这一窗    slideWindow();

updateLatestStates() 和slideWindow()这两个函数比较简单。

// 让此时刻的值都等于上一时刻的值,用来更新状态void Estimator::updateLatestStates() // 滑动窗口法void Estimator::slideWindow()// 道理很简单,就是把前后元素交换

optimization()为基于滑动窗口的紧耦合的非线性优化，残差项的构造和求解。

/** * 滑窗执行Ceres优化，边缘化，更新滑窗内图像帧的状态（位姿、速度、偏置、外参、逆深度、相机与IMU时差）*/void Estimator::optimization()4.3.2 双目+IMU初始化// stereo + IMU initilizationif(STEREO && USE_IMU)

求解深度。

// 双目三角化// 结果放入了feature的estimated_depth中void FeatureManager::triangulate(int frameCnt, Vector3d Ps[], Matrix3d Rs[], Vector3d tic[], Matrix3d ric[])  // 利用svd方法对双目进行三角化void FeatureManager::triangulatePoint(Eigen::Matrix &Pose0, Eigen::Matrix &Pose1,                        Eigen::Vector2d &point0, Eigen::Vector2d &point1, Eigen::Vector3d &point_3d)

有了深度之后就可以进行PnP求解。

// 有了深度，当下一帧照片来到以后就可以利用pnp求解位姿了void FeatureManager::initFramePoseByPnP(int frameCnt, Vector3d Ps[], Matrix3d Rs[], Vector3d tic[], Matrix3d ric[])

之后求解陀螺仪的偏执,并对IMU预积分值进行重新传播。

solveGyroscopeBias(all_image_frame, Bgs); // 对之前预积分得到的结果进行更新。// 预积分的好处查看就在于你得到新的Bgs，不需要又重新再积分一遍，可以通过Bgs对位姿，速度的一阶导数，进行线性近似，得到新的Bgs求解出MU的最终结果。for (int i = 0; i <= WINDOW_SIZE; i++){    pre_integrations[i]->repropagate(Vector3d::Zero(), Bgs[i]);}

进行优化：

optimization();updateLatestStates();solver_flag = NON_LINEAR;slideWindow();

其中的optimization()、updateLatestStates()、 slideWindow()在下一篇博客进行讲解。

4.3.3双目初始化

// stereo only initilizationif(STEREO && !USE_IMU){    f_manager.initFramePoseByPnP(frame_count, Ps, Rs, tic, ric);    f_manager.triangulate(frame_count, Ps, Rs, tic, ric);    optimization();     if(frame_count == WINDOW_SIZE)    {        optimization();        updateLatestStates();        solver_flag = NON_LINEAR;        slideWindow();        ROS_INFO("Initialization finish!");    }}

5. 回环检测pose_graph_node.cpp

本节主要讲loop_fusion包的程序结构，loop_fusion主要作用：利用词袋模型进行图像的回环检测。在vinsmono中，该程序包处于pose_graph包内。vins_fusion与vins_mono一个差别在于，回环检测的点云数据在mono中有回调供给VIO进行非线性优化，而在fusion中，VIO估计完全独立于回环检测的结果。即回环检测的全局估计会受到VIO的影响，但是VIO不受全局估计的影响。（这个意思是fusion我们可以单独使用VIO部分）

5.1 程序入口

5.1.1 读取配置文件

通过fsSetting进行相应的参数配置，其中比较重要的是读入了vocabulary_file,即在support_files里面的brief_k10L6.bin。以及BRIEF_PATTERN_FILE。通过posegraph.loadVocabulary为posegraph的类成员 BriefDatabase db设置属性以及BriefVocabulary voc赋值。以及为BRIEF_PATTERN_FILE赋值。为后期keyframe的构建创造一个基础。

cv::FileStorage fsSettings(config_file, cv::FileStorage::READ);    if(!fsSettings.isOpened())    {        std::cerr << "ERROR: Wrong path to settings" << std::endl;    }     cameraposevisual.setScale(0.1);    cameraposevisual.setLineWidth(0.01);     std::string IMAGE_TOPIC;    int LOAD_PREVIOUS_POSE_GRAPH;    ROW = fsSettings["image_height"];    COL = fsSettings["image_width"];    std::string pkg_path = ros::package::getPath("loop_fusion");    string vocabulary_file = pkg_path + "/../support_files/brief_k10L6.bin";    cout << "vocabulary_file" << vocabulary_file << endl;    posegraph.loadVocabulary(vocabulary_file);     BRIEF_PATTERN_FILE = pkg_path + "/../support_files/brief_pattern.yml";    cout << "BRIEF_PATTERN_FILE" << BRIEF_PATTERN_FILE << endl;

5.1.2 LOAD_PREVIOUS_POSE_GRAPH

即是否要加载原有的地图信息，如果加载了之前的信息，则posegraph.loadPoseGraph，之前所有的关键帧的序号sequence都设置为0，base_sequence也是0。不过不加载之前的信息，base_sequence=1。

 if (LOAD_PREVIOUS_POSE_GRAPH)    {        printf("load pose graph\n");        m_process.lock();        posegraph.loadPoseGraph();        m_process.unlock();        printf("load pose graph finish\n");        load_flag = 1;    }    else    {        printf("no previous pose graph\n");        load_flag = 1;    }

5.1.3 订阅话题，发布话题

// 订阅里程计    ros::Subscriber sub_vio = n.subscribe("/vins_estimator/odometry", 2000, vio_callback);    // 订阅图像    ros::Subscriber sub_image = n.subscribe(IMAGE_TOPIC, 2000, image_callback);    // 订阅关键帧位姿    ros::Subscriber sub_pose = n.subscribe("/vins_estimator/keyframe_pose", 2000, pose_callback);    // 订阅外参    ros::Subscriber sub_extrinsic = n.subscribe("/vins_estimator/extrinsic", 2000, extrinsic_callback);    // 订阅关键帧特征点    ros::Subscriber sub_point = n.subscribe("/vins_estimator/keyframe_point", 2000, point_callback);    //     ros::Subscriber sub_margin_point = n.subscribe("/vins_estimator/margin_cloud", 2000, margin_point_callback);     pub_match_img = n.advertise("match_image", 1000);    pub_camera_pose_visual = n.advertise("camera_pose_visual", 1000);    pub_point_cloud = n.advertise("point_cloud_loop_rect", 1000);    pub_margin_cloud = n.advertise("margin_cloud_loop_rect", 1000);    pub_odometry_rect = n.advertise("odometry_rect", 1000);

process && command

process主要的作用是开启一个新线程，这一块为程序的主要执行部分，我们下一节详细阐述。而command是开启一个控制台键盘控制线程。键盘控制输入，有提供两种选择，在控制台上写入：‘s’：把当前Posegraph存储起来，并且把整个loop_fusion包的进程关掉。‘n’：图像更新序列,new_sequence()。

void command(){    while(1)    {        char c = getchar();        if (c == 's')        {            m_process.lock();            posegraph.savePoseGraph();            m_process.unlock();            printf("save pose graph finish\nyou can set 'load_previous_pose_graph' to 1 in the config file to reuse it next time\n");            printf("program shutting down...\n");            ros::shutdown();        }        if (c == 'n')            new_sequence();         std::chrono::milliseconds dura(5);        std::this_thread::sleep_for(dura);    }}

5.2 process

5.2.1 数据输入

首先process需要先判断image_buf,pose_buf,point_buf三个buff都不为空的时候，才进行运行，否则程序就休息5毫秒，继续监测。

// find out the messages with same time stamp// 时间戳对齐m_buf.lock();if(!image_buf.empty() && !point_buf.empty() && !pose_buf.empty())

其中：

（1）image_buf，存放image_callback()图像回调函数的信息，接收相机话题的原始图片。并且当两张图片的时间戳相差1秒，或者说当图像的时间戳小于上一帧的时间戳，可以认为图像出现新序列，因此new_sequence()

（2）point_buf，存放point_callback()关键帧的三维特征点信息的回调。并且在这个回调函数中，同时利用point_cloud标准数据结构发布特征点三维点云以供可视化操作。发布的话题为：point_cloud_loop_rect。注意，此时的点云信息不是单纯vio得到的点云信息，而是在pose_graph参考坐标系下，关键帧点云的位置。因为vio自己有一个参考坐标系，而pose_graph求解出来的位姿图也有自己的坐标系，这两个坐标系有一个变换关系，写在了pose_graph.r_drift,pose_graph.t_drift里面。

（3）pose_buf，存放pose_callback()回调函数的信息。订阅的是关键帧的vio得到的关键帧的位姿信息。

从上面订阅的信息我们可以看出，只有当相机有关键帧的时候（vins_estimator中有对应的规则判断该帧是不是关键帧），才会进行进一步处理，整个loop_fusion处理的信息不是原始图像，而是一帧帧关键帧。

接着程序开始找一帧keyframe 对应的image_buf，point_buf，pose_buf三者的数据。即point_buf和pose_buf这个存储的点云和位姿是对应（image_buf里面的）哪一帧关键帧。最终的结果：

（1）image_msg存放关键帧的图像原始信息

（2）point_msg存放了该关键帧里面的3D点云信息，由VIO以及pose_graph.r_drift, pose_graph.t_drift 解算得到。

（3）pose_msg存放了该关键帧的位姿信息。

if(!image_buf.empty() && !point_buf.empty() && !pose_buf.empty()){    if (image_buf.front()->header.stamp.toSec() > pose_buf.front()->header.stamp.toSec())    {        pose_buf.pop();        printf("throw pose at beginning\n");    }    else if (image_buf.front()->header.stamp.toSec() > point_buf.front()->header.stamp.toSec())    {        point_buf.pop();        printf("throw point at beginning\n");    }    else if (image_buf.back()->header.stamp.toSec() >= pose_buf.front()->header.stamp.toSec()         && point_buf.back()->header.stamp.toSec() >= pose_buf.front()->header.stamp.toSec())    {        pose_msg = pose_buf.front();        pose_buf.pop();        while (!pose_buf.empty())            pose_buf.pop();        while (image_buf.front()->header.stamp.toSec() < pose_msg->header.stamp.toSec())            image_buf.pop();        image_msg = image_buf.front();        image_buf.pop();         while (point_buf.front()->header.stamp.toSec() < pose_msg->header.stamp.toSec())            point_buf.pop();        point_msg = point_buf.front();        point_buf.pop();    }}

5.2.2 关键帧

根据上面得到的三个信息，来构造关键帧！！用数据结构KeyFrame来表示，这里用了十个变量的KeyFrame构造函数来构造这个关键帧，十个变量的KeyFrame来构造函数默认没有brief_descriptor，因为我们VIO前端提取的并不需要特征点的描述子。在构造关键帧的时候，函数同时又增加了阈值大于20的FAST角点，来增加关键帧特征点的数量，同时，对这些特征点用相应的描述子来进行表述。

构造出一个向量容器，用来存放所有特征点的描述子，即KeyFrame类成员 vector brief_descriptors（在keyframe.cpp文件中）。

注意点：只有当两个关键帧之间的位移量(T - last_t).norm() > SKIP_DIS时候，才会构造新的关键帧。但是程序默认的SKIP_DIS为0。就是除非T和last_t完全相等，否则就会进入构造函数。

构造好的keyframe，通过posegraph.addKeyFrame(keyframe,1)，加入到全局姿态图当中去，第二个参数代表是需要回环检测detect_loop，这里直接默认设置需要。

// 位姿平移量间隔（关键帧） if((T - last_t).norm() > SKIP_DIS) {     vector point_3d;      vector point_2d_uv;      vector point_2d_normal;     vector point_id;      // 特征点     for (unsigned int i = 0; i < point_msg->points.size(); i++)     {         cv::Point3f p_3d;         p_3d.x = point_msg->points[i].x;         p_3d.y = point_msg->points[i].y;         p_3d.z = point_msg->points[i].z;         // 世界坐标         point_3d.push_back(p_3d);          cv::Point2f p_2d_uv, p_2d_normal;         double p_id;         p_2d_normal.x = point_msg->channels[i].values[0];         p_2d_normal.y = point_msg->channels[i].values[1];         p_2d_uv.x = point_msg->channels[i].values[2];         p_2d_uv.y = point_msg->channels[i].values[3];         p_id = point_msg->channels[i].values[4];         // 归一化相机平面坐标         point_2d_normal.push_back(p_2d_normal);         // 像素坐标         point_2d_uv.push_back(p_2d_uv);         // 特征点id         point_id.push_back(p_id);          //printf("u %f, v %f \n", p_2d_uv.x, p_2d_uv.y);     }     // 构造关键帧     KeyFrame* keyframe = new KeyFrame(pose_msg->header.stamp.toSec(), frame_index, T, R, image,                        point_3d, point_2d_uv, point_2d_normal, point_id, sequence);        m_process.lock();     start_flag = 1;     // 添加关键帧     posegraph.addKeyFrame(keyframe, 1);     m_process.unlock();     frame_index++;     last_t = T;

5.3 PoseGraph

PoseGraph作为loop_fusion整个程序里面最重量级的类。整个程序都是维护这个main函数里面定义的全局变量PoseGraph posegraph来进行的。通过PoseGraph 的类函数，addKeyFrame来进行关键帧的添加。

listkeyframelist 作为最重要的类成员，整个回环检测的过程就是用来维护这个关键帧链表list，当检测到回环的时候，更新这个链表的数据，即关键帧的位姿。

BriefDatabase db 图像数据库信息，通过不断更新这个数据库，可以用来查询，即回环检测有没有回到之前曾经来过的地方。

5.3.1 addKeyFrame

检查该关键帧的序号是否有跳变，在整个loop_fusion里面，每当出现new_sequence()时候，关键帧的sequence会自增1，为什么一直需要关心一个关键帧的sequence呢？因为这里一个关键帧的位姿的参考系是建立在某一个sequence下面的，不同的sequence对应了不同w_t_vio,w_r_vio，就是该sequence 和base_sequence之间坐标系的转换关系。

posegraph坐标系是以world frame作为坐标系的，world frame为base sequence(载入原来的图像数据库)或者（没有载入图像数据库的话）用sequence=1的序列作为坐标系。PoesGraph里面的两个类成员 w_t_vio,w_r_vio描述的就是当前序列的第一帧，与世界坐标系之间的转换关系。

//shift to base frameVector3d vio_P_cur;Matrix3d vio_R_cur;// 新加入一段if (sequence_cnt != cur_kf->sequence){    sequence_cnt++;    sequence_loop.push_back(0);    w_t_vio = Eigen::Vector3d(0, 0, 0);    w_r_vio = Eigen::Matrix3d::Identity();    m_drift.lock();    t_drift = Eigen::Vector3d(0, 0, 0);    r_drift = Eigen::Matrix3d::Identity();    m_drift.unlock();} // 转换成世界坐标cur_kf->getVioPose(vio_P_cur, vio_R_cur);vio_P_cur = w_r_vio * vio_P_cur + w_t_vio;vio_R_cur = w_r_vio *  vio_R_cur;cur_kf->updateVioPose(vio_P_cur, vio_R_cur);cur_kf->index = global_index;global_index++;int loop_index = -1;

5.3.2 detectLoop

通过detectLoop()，查找到一个最合适得分最高的闭环候选帧（如果没找到，loop_index=-1）,此时本质是通过bag of word中的db.query()来进行查找的。并且无论有没有查找到，都用db.add()把当前关键帧的描述子添加到图像的数据库db中去。

/** * 闭环检测 * 1、在db中查找当前描述子匹配帧，返回4帧候选帧，要求是当前帧50帧之前的帧 * 2、添加当前帧描述子到db * 3、计算候选帧匹配得分，最大得分超过0.05，其他得分超过最大得分的0.3倍，认为找到闭环 * 4、返回最早的闭环帧idx*/int PoseGraph::detectLoop(KeyFrame* keyframe, int frame_index){    // put image into image_pool; for visualization    // 图像添加文字，展示特征点数量，加入集合，用于展示    cv::Mat compressed_image;    if (DEBUG_IMAGE)    {        int feature_num = keyframe->keypoints.size();        cv::resize(keyframe->image, compressed_image, cv::Size(376, 240));        putText(compressed_image, "feature_num:" + to_string(feature_num), cv::Point2f(10, 10), cv::FONT_HERSHEY_SIMPLEX, 0.4, cv::Scalar(255));        image_pool[frame_index] = compressed_image;    }    TicToc tmp_t;    //first query; then add this frame into database!    QueryResults ret;    TicToc t_query;    // 在db中查找当前描述子匹配帧，返回4帧，要求是当前帧50帧之前的帧    db.query(keyframe->brief_descriptors, ret, 4, frame_index - 50);    //printf("query time: %f", t_query.toc());    //cout << "Searching for Image " << frame_index << ". " << ret << endl;     TicToc t_add;    // 添加当前帧描述子到db    db.add(keyframe->brief_descriptors);    //printf("add feature time: %f", t_add.toc());    // ret[0] is the nearest neighbour's score. threshold change with neighour score    bool find_loop = false;    cv::Mat loop_result;    if (DEBUG_IMAGE)    {        // 最接近的一帧图像的得分        loop_result = compressed_image.clone();        if (ret.size() > 0)            putText(loop_result, "neighbour score:" + to_string(ret[0].Score), cv::Point2f(10, 50), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(255));    }    // visual loop result     if (DEBUG_IMAGE)    {        // 候选闭环帧，加上得分        for (unsigned int i = 0; i < ret.size(); i++)        {            int tmp_index = ret[i].Id;            auto it = image_pool.find(tmp_index);            cv::Mat tmp_image = (it->second).clone();            putText(tmp_image, "index:  " + to_string(tmp_index) + "loop score:" + to_string(ret[i].Score), cv::Point2f(10, 50), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(255));            cv::hconcat(loop_result, tmp_image, loop_result);        }    }    // a good match with its nerghbour    // 最大得分超过0.05，其他得分超过最大得分的0.3倍，认为找到闭环    if (ret.size() >= 1 &&ret[0].Score > 0.05)        for (unsigned int i = 1; i < ret.size(); i++)        {            //if (ret[i].Score > ret[0].Score * 0.3)            if (ret[i].Score > 0.015)            {                          find_loop = true;                int tmp_index = ret[i].Id;                if (DEBUG_IMAGE && 0)                {                    auto it = image_pool.find(tmp_index);                    cv::Mat tmp_image = (it->second).clone();                    putText(tmp_image, "loop score:" + to_string(ret[i].Score), cv::Point2f(10, 50), cv::FONT_HERSHEY_SIMPLEX, 0.4, cv::Scalar(255));                    cv::hconcat(loop_result, tmp_image, loop_result);                }            }         }/*    if (DEBUG_IMAGE)    {        cv::imshow("loop_result", loop_result);        cv::waitKey(20);    }*/    // 返回最早的闭环帧idx    if (find_loop && frame_index > 50)    {        int min_index = -1;        for (unsigned int i = 0; i < ret.size(); i++)        {            if (min_index == -1 || (ret[i].Id < min_index && ret[i].Score > 0.015))                min_index = ret[i].Id;        }        return min_index;    }    else        return -1; }

5.3.2 findConnection

若detectLoop()能够找到相似的一帧，此时，通过findConnection() 判断新旧两帧关联，匹配点大于25对，相对的偏航角位移小于30度并且相对位移少于20m，则返回true,其余情况均返回false。在true的条件下，更新参考系转化的变量。并且把当前帧的序号加入到optimize_buf中去。

// 检测到闭环if (loop_index != -1){     //printf(" %d detect loop with %d \n", cur_kf->index, loop_index);     // 闭环帧     KeyFrame* old_kf = getKeyFrame(loop_index);      /**      * 计算当前帧与闭环帧之间的位姿差，判断是否闭环      * 1、通过brief描述子，计算当前帧与闭环匹配帧之间的匹配点，要求大于25个      * 2、3d-2d Pnp计算匹配闭环帧的位姿      * 3、闭环帧与当前帧之间的位姿误差不能太大，才认为闭环     */     if (cur_kf->findConnection(old_kf))     {         // 记录历史上最早的闭环帧         if (earliest_loop_index > loop_index || earliest_loop_index == -1)             earliest_loop_index = loop_index;          Vector3d w_P_old, w_P_cur, vio_P_cur;         Matrix3d w_R_old, w_R_cur, vio_R_cur;         // 闭环帧位姿         old_kf->getVioPose(w_P_old, w_R_old);         // 当前帧位姿         cur_kf->getVioPose(vio_P_cur, vio_R_cur);          Vector3d relative_t;         Quaterniond relative_q;         // 当前帧与闭环帧的位姿差量，根据特征点匹配算出来的         relative_t = cur_kf->getLoopRelativeT();         relative_q = (cur_kf->getLoopRelativeQ()).toRotationMatrix();         // 以闭环帧位姿为基础，加上位姿差量，得到当前帧位姿         w_P_cur = w_R_old * relative_t + w_P_old;         w_R_cur = w_R_old * relative_q;         double shift_yaw;         Matrix3d shift_r;         Vector3d shift_t;          if(use_imu)         {             // 当前帧由闭环匹配算出来的位姿，与里程计位姿，计算偏移量，认为前者是更精确的             shift_yaw = Utility::R2ypr(w_R_cur).x() - Utility::R2ypr(vio_R_cur).x();             shift_r = Utility::ypr2R(Vector3d(shift_yaw, 0, 0));         }         else             shift_r = w_R_cur * vio_R_cur.transpose();         shift_t = w_P_cur - w_R_cur * vio_R_cur.transpose() * vio_P_cur;          // shift vio pose of whole sequence to the world frame         // todo         if (old_kf->sequence != cur_kf->sequence && sequence_loop[cur_kf->sequence] == 0)         {               w_r_vio = shift_r;             w_t_vio = shift_t;             // 当前帧加上闭环偏移量之后的位姿             vio_P_cur = w_r_vio * vio_P_cur + w_t_vio;             vio_R_cur = w_r_vio *  vio_R_cur;             cur_kf->updateVioPose(vio_P_cur, vio_R_cur);             list::iterator it = keyframelist.begin();             for (; it != keyframelist.end(); it++)                {                 // 加上闭环偏移量                 if((*it)->sequence == cur_kf->sequence)                 {                     Vector3d vio_P_cur;                     Matrix3d vio_R_cur;                     (*it)->getVioPose(vio_P_cur, vio_R_cur);                     vio_P_cur = w_r_vio * vio_P_cur + w_t_vio;                     vio_R_cur = w_r_vio *  vio_R_cur;                     (*it)->updateVioPose(vio_P_cur, vio_R_cur);                 }             }             sequence_loop[cur_kf->sequence] = 1;         }         m_optimize_buf.lock();         // 加入优化队列         optimize_buf.push(cur_kf->index);         m_optimize_buf.unlock();     }

添加到keyframelist：最终，把该帧keyframe 添加到keyframelist中去。从此，keyframelist又增添了一个关键帧元素。

m_keyframelist.lock();Vector3d P;Matrix3d R;cur_kf->getVioPose(P, R);P = r_drift * P + t_drift;R = r_drift * R;cur_kf->updatePose(P, R);Quaterniond Q{R};geometry_msgs::PoseStamped pose_stamped;pose_stamped.header.stamp = ros::Time(cur_kf->time_stamp);pose_stamped.header.frame_id = "world";pose_stamped.pose.position.x = P.x() + VISUALIZATION_SHIFT_X;pose_stamped.pose.position.y = P.y() + VISUALIZATION_SHIFT_Y;pose_stamped.pose.position.z = P.z();pose_stamped.pose.orientation.x = Q.x();pose_stamped.pose.orientation.y = Q.y();pose_stamped.pose.orientation.z = Q.z();pose_stamped.pose.orientation.w = Q.w();path[sequence_cnt].poses.push_back(pose_stamped);path[sequence_cnt].header = pose_stamped.header; if (SAVE_LOOP_PATH){    ofstream loop_path_file(VINS_RESULT_PATH, ios::app);    loop_path_file.setf(ios::fixed, ios::floatfield);    loop_path_file.precision(0);    loop_path_file << cur_kf->time_stamp * 1e9 << ",";    loop_path_file.precision(5);    loop_path_file  << P.x() << ","          << P.y() << ","          << P.z() << ","          << Q.w() << ","          << Q.x() << ","          << Q.y() << ","          << Q.z() << ","          << endl;    loop_path_file.close();}//draw local connectionif (SHOW_S_EDGE){    // 相邻边    list::reverse_iterator rit = keyframelist.rbegin();    for (int i = 0; i < 4; i++)    {        if (rit == keyframelist.rend())            break;        Vector3d conncected_P;        Matrix3d connected_R;        if((*rit)->sequence == cur_kf->sequence)        {            (*rit)->getPose(conncected_P, connected_R);            posegraph_visualization->add_edge(P, conncected_P);        }        rit++;    }}if (SHOW_L_EDGE){    // 闭环边    if (cur_kf->has_loop)    {        //printf("has loop \n");        KeyFrame* connected_KF = getKeyFrame(cur_kf->loop_index);        Vector3d connected_P,P0;        Matrix3d connected_R,R0;        connected_KF->getPose(connected_P, connected_R);        //cur_kf->getVioPose(P0, R0);        cur_kf->getPose(P0, R0);        if(cur_kf->sequence > 0)        {            //printf("add loop into visual \n");            posegraph_visualization->add_loopedge(P0, connected_P + Vector3d(VISUALIZATION_SHIFT_X, VISUALIZATION_SHIFT_Y, 0));        }     }}//posegraph_visualization->add_pose(P + Vector3d(VISUALIZATION_SHIFT_X, VISUALIZATION_SHIFT_Y, 0), Q); keyframelist.push_back(cur_kf);publish();m_keyframelist.unlock();

optimize4DoF：optimize_buf一有东西，意味着该帧已经被检测出回环了，因此就开始优化，优化的对象就是keyframelist中每个关键帧的四个自由度，包括x,y,z,yaw，同样是ceres问题求解。

/** * 构建图优化，优化位姿，（x,y,z,yaw）*/void PoseGraph::optimize4DoF(){    while(true)    {        int cur_index = -1;        int first_looped_index = -1;        m_optimize_buf.lock();        while(!optimize_buf.empty())        {            cur_index = optimize_buf.front();            first_looped_index = earliest_loop_index;            optimize_buf.pop();        }        m_optimize_buf.unlock();        if (cur_index != -1)        {            printf("optimize pose graph \n");            TicToc tmp_t;            m_keyframelist.lock();            // 当前帧            KeyFrame* cur_kf = getKeyFrame(cur_index);             int max_length = cur_index + 1;             // w^t_i   w^q_i            double t_array[max_length][3];            Quaterniond q_array[max_length];            double euler_array[max_length][3];            double sequence_array[max_length];             ceres::Problem problem;            ceres::Solver::Options options;            options.linear_solver_type = ceres::SPARSE_NORMAL_CHOLESKY;            //options.minimizer_progress_to_stdout = true;            //options.max_solver_time_in_seconds = SOLVER_TIME * 3;            options.max_num_iterations = 5;            ceres::Solver::Summary summary;            ceres::LossFunction *loss_function;            loss_function = new ceres::HuberLoss(0.1);            //loss_function = new ceres::CauchyLoss(1.0);            ceres::LocalParameterization* angle_local_parameterization =                AngleLocalParameterization::Create();             list::iterator it;             int i = 0;            // 遍历关键帧集合，从最早闭环帧到当前帧之间，构建优化图            for (it = keyframelist.begin(); it != keyframelist.end(); it++)            {                if ((*it)->index < first_looped_index)                    continue;                (*it)->local_index = i;                Quaterniond tmp_q;                Matrix3d tmp_r;                Vector3d tmp_t;                (*it)->getVioPose(tmp_t, tmp_r);                tmp_q = tmp_r;                t_array[i][0] = tmp_t(0);                t_array[i][1] = tmp_t(1);                t_array[i][2] = tmp_t(2);                q_array[i] = tmp_q;                 Vector3d euler_angle = Utility::R2ypr(tmp_q.toRotationMatrix());                euler_array[i][0] = euler_angle.x();                euler_array[i][1] = euler_angle.y();                euler_array[i][2] = euler_angle.z();                 sequence_array[i] = (*it)->sequence;                 problem.AddParameterBlock(euler_array[i], 1, angle_local_parameterization);                problem.AddParameterBlock(t_array[i], 3);                 if ((*it)->index == first_looped_index || (*it)->sequence == 0)                {                       problem.SetParameterBlockConstant(euler_array[i]);                    problem.SetParameterBlockConstant(t_array[i]);                }                 //add edge                // 添加边，每一帧与前面4帧建立边                for (int j = 1; j < 5; j++)                {                  if (i - j >= 0 && sequence_array[i] == sequence_array[i-j])                  {                    Vector3d euler_conncected = Utility::R2ypr(q_array[i-j].toRotationMatrix());                    Vector3d relative_t(t_array[i][0] - t_array[i-j][0], t_array[i][1] - t_array[i-j][1], t_array[i][2] - t_array[i-j][2]);                    relative_t = q_array[i-j].inverse() * relative_t;                    double relative_yaw = euler_array[i][0] - euler_array[i-j][0];                    ceres::CostFunction* cost_function = FourDOFError::Create( relative_t.x(), relative_t.y(), relative_t.z(),                                                   relative_yaw, euler_conncected.y(), euler_conncected.z());                    problem.AddResidualBlock(cost_function, NULL, euler_array[i-j],                                             t_array[i-j],                                             euler_array[i],                                             t_array[i]);                  }                }                 //add loop edge                // 添加闭环边，与闭环帧建立边                if((*it)->has_loop)                {                    assert((*it)->loop_index >= first_looped_index);                    int connected_index = getKeyFrame((*it)->loop_index)->local_index;                    Vector3d euler_conncected = Utility::R2ypr(q_array[connected_index].toRotationMatrix());                    Vector3d relative_t;                    relative_t = (*it)->getLoopRelativeT();                    double relative_yaw = (*it)->getLoopRelativeYaw();                    ceres::CostFunction* cost_function = FourDOFWeightError::Create( relative_t.x(), relative_t.y(), relative_t.z(),                                                                               relative_yaw, euler_conncected.y(), euler_conncected.z());                    problem.AddResidualBlock(cost_function, loss_function, euler_array[connected_index],                                                                   t_array[connected_index],                                                                   euler_array[i],                                                                   t_array[i]);                 }                 if ((*it)->index == cur_index)                    break;                i++;            }            m_keyframelist.unlock();             ceres::Solve(options, &problem, &summary);            //std::cout << summary.BriefReport() << "\n";             //printf("pose optimization time: %f \n", tmp_t.toc());            /*            for (int j = 0 ; j < i; j++)            {                printf("optimize i: %d p: %f, %f, %f\n", j, t_array[j][0], t_array[j][1], t_array[j][2] );            }            */            m_keyframelist.lock();            i = 0;            // 更新图中顶点位姿，闭环帧到当前帧之间（不包括当前帧）            for (it = keyframelist.begin(); it != keyframelist.end(); it++)            {                if ((*it)->index < first_looped_index)                    continue;                Quaterniond tmp_q;                tmp_q = Utility::ypr2R(Vector3d(euler_array[i][0], euler_array[i][1], euler_array[i][2]));                Vector3d tmp_t = Vector3d(t_array[i][0], t_array[i][1], t_array[i][2]);                Matrix3d tmp_r = tmp_q.toRotationMatrix();                (*it)-> updatePose(tmp_t, tmp_r);                 if ((*it)->index == cur_index)                    break;                i++;            }             Vector3d cur_t, vio_t;            Matrix3d cur_r, vio_r;            // 当前帧优化后位姿 todo            cur_kf->getPose(cur_t, cur_r);            // 当前帧优化前位姿            cur_kf->getVioPose(vio_t, vio_r);            m_drift.lock();            // 计算优化前后位姿差量            yaw_drift = Utility::R2ypr(cur_r).x() - Utility::R2ypr(vio_r).x();            r_drift = Utility::ypr2R(Vector3d(yaw_drift, 0, 0));            t_drift = cur_t - r_drift * vio_t;            m_drift.unlock();            //cout << "t_drift " << t_drift.transpose() << endl;            //cout << "r_drift " << Utility::R2ypr(r_drift).transpose() << endl;            //cout << "yaw drift " << yaw_drift << endl;             it++;            // 更新当前帧之后的关键帧位姿            for (; it != keyframelist.end(); it++)            {                Vector3d P;                Matrix3d R;                (*it)->getVioPose(P, R);                P = r_drift * P + t_drift;                R = r_drift * R;                (*it)->updatePose(P, R);            }            m_keyframelist.unlock();            updatePath();        }         std::chrono::milliseconds dura(2000);        std::this_thread::sleep_for(dura);    }    return;

6.全局融合globalOptNode.cpp

6.1 globalEstimator

IO输出的 nav_msgs::Odometry 类型消息，这个定位信息包含了VIO的位置和姿态，其坐标系原点位于VIO的第一帧处。

GPS输出的sensor_msgs::NavSatFixConstPtr 类型消息，这个是全局定位信息，用经纬度来表示，其坐标原点位于该GPS坐标系下定义的0经度0纬度处。

// 订阅GPSros::Subscriber sub_GPS = n.subscribe("/gps", 100, GPS_callback);// 订阅里程计ros::Subscriber sub_vio = n.subscribe("/vins_estimator/odometry", 100, vio_callback); // 发布轨迹pub_global_path = n.advertise("global_path", 100);// 发布里程计pub_global_odometry = n.advertise("global_odometry", 100);

6.1.1 回调函数

GPS回调函数，很简单，只是把GPS消息存储到了队列里面。

/** * 订阅GPS*/void GPS_callback(const sensor_msgs::NavSatFixConstPtr &GPS_msg){    //printf("gps_callback! \n");    m_buf.lock();    gpsQueue.push(GPS_msg);    m_buf.unlock();}

VIO回调函数，请看注释：

void vio_callback(const nav_msgs::Odometry::ConstPtr &pose_msg){    double t = pose_msg->header.stamp.toSec();    last_vio_t = t;    // 获取VIO输出的位置(三维向量)，姿态(四元数)    Eigen::Vector3d vio_t;    Eigen::Quaterniond vio_q;    ......    /// 位姿传入global Estimator中    globalEstimator.inputOdom(t, vio_t, vio_q);    m_buf.lock();    // 寻找与VIO时间戳相对应的GPS消息    // 细心的读者可能会疑惑，这里需不需要对GPS和VIO进行硬件上的时间戳同步呢？    // 这个问题请看总结与讨论    while(!gpsQueue.empty())    {        // 获取最老的GPS数据和其时间        sensor_msgs::NavSatFixConstPtr GPS_msg = gpsQueue.front();        double gps_t = GPS_msg->header.stamp.toSec();        // 10ms sync tolerance        // +- 10ms的时间偏差        if(gps_t >= t - 0.01 && gps_t <= t + 0.01)        {   /// gps的经纬度，海拔高度            double latitude = GPS_msg->latitude;            double longitude = GPS_msg->longitude;            double altitude = GPS_msg->altitude;            // gps 数据的方差            double pos_accuracy = GPS_msg->position_covariance[0];            if(pos_accuracy <= 0)                pos_accuracy = 1;            //printf("receive covariance %lf \n", pos_accuracy);            /// GPS_msg->status.status 这个数字代表了GPS的状态(固定解，浮点解等)            /// 具体可以谷歌            // if(GPS_msg->status.status > 8)            // 向globalEstimator中输入GPS数据            globalEstimator.inputGPS(t, latitude, longitude, altitude, pos_accuracy);            gpsQueue.pop();            break;        }        else if(gps_t < t - 0.01)            gpsQueue.pop();        else if(gps_t > t + 0.01)            break;    }    m_buf.unlock();    ......    // 广播轨迹（略）......    pub_global_odometry.publish(odometry);    pub_global_path.publish(*global_path);    publish_car_model(t, global_t, global_q);    // 位姿写入文本文件（略）......}

可以看出，global Fusion的优化策略是收到一帧VIO数据，就寻找相应的GPS数据来进行优化。我们下面主要来看一下globalEstimator中的inputOdom()和inputGPS()这两个函数

首先看下 inputGPS():

void GlobalOptimization::inputGPS(double t, double latitude,                                   double longitude,                                   double altitude,                                   double posAccuracy){    double xyz[3];        // 因为经纬度表示的是地球上的坐标，而地球是一个球形，        // 需要首先把经纬度转化到平面坐标系上        // 值得一提的是，GPS2XYZ()并非把经纬度转化到世界坐标系下(以0经度，0纬度为原点)，        // 而是以第一帧GPS数据为坐标原点，这一点需要额外注意    GPS2XYZ(latitude, longitude, altitude, xyz);        // 存入经纬度计算出的平面坐标，存入GPSPositionMap中    vector tmp{xyz[0], xyz[1], xyz[2], posAccuracy};    GPSPositionMap[t] = tmp;    newGPS = true;}

再看inputOdom()：

void GlobalOptimization::inputOdom(double t, Eigen::Vector3d OdomP, Eigen::Quaterniond OdomQ){    mPoseMap.lock();    // 把vio直接输出的位姿存入 localPoseMap 中    vector localPose{OdomP.x(), OdomP.y(), OdomP.z(),                      OdomQ.w(), OdomQ.x(), OdomQ.y(), OdomQ.z()};    localPoseMap[t] = localPose;    Eigen::Quaterniond globalQ;    /// 把VIO转换到GPS坐标系下，准确的说是转换到以第一帧GPS为原点的坐标系下    /// 转换之后的位姿插入到globalPoseMap 中    globalQ = WGPS_T_WVIO.block<3, 3>(0, 0) * OdomQ;    Eigen::Vector3d globalP =                        WGPS_T_WVIO.block<3, 3>(0, 0) * OdomP + WGPS_T_WVIO.block<3, 1>(0, 3);    vector globalPose{globalP.x(), globalP.y(), globalP.z(),                              globalQ.w(), globalQ.x(), globalQ.y(), globalQ.z()};    globalPoseMap[t] = globalPose;    lastP = globalP;    lastQ = globalQ;    // 把最新的全局姿态插入轨迹当中(过程略)    ......    global_path.poses.push_back(pose_stamped);    mPoseMap.unlock();}

现在两种数据都收到以后，万事俱备，我们看一下 void GlobalOptimization::optimize()这个函数：

这个函数开了一个线程来做优化：

首先使用ceres构建最小二乘问题，这个没啥可说的。

ceres::Problem problem;ceres::Solver::Options options;options.linear_solver_type = ceres::SPARSE_NORMAL_CHOLESKY;//options.minimizer_progress_to_stdout = true;//options.max_solver_time_in_seconds = SOLVER_TIME * 3;options.max_num_iterations = 5;ceres::Solver::Summary summary;ceres::LossFunction *loss_function;loss_function = new ceres::HuberLoss(1.0);ceres::LocalParameterization* local_parameterization = new ceres::QuaternionParameterization();

状态量赋初值，添加参数块。可以看出来，迭代的初始值是globalPoseMap中的值，也就是VIO转换到GPS坐标系下的值。

// 遍历历史里程计（转ENU系下了），显式添加变量参数  map>::iterator iter;  iter = globalPoseMap.begin();  for (int i = 0; i < length; i++, iter++)  {      t_array[i][0] = iter->second[0];      t_array[i][1] = iter->second[1];      t_array[i][2] = iter->second[2];      q_array[i][0] = iter->second[3];      q_array[i][1] = iter->second[4];      q_array[i][2] = iter->second[5];      q_array[i][3] = iter->second[6];      problem.AddParameterBlock(q_array[i], 4, local_parameterization);      problem.AddParameterBlock(t_array[i], 3);  }   // 遍历历史里程计  map>::iterator iterVIO, iterVIONext, iterGPS;

然后添加残差：

for (iterVIO = localPoseMap.begin(); iterVIO != localPoseMap.end(); iterVIO++, i++) {    //vio factor    // 添加VIO残差，观测量是两帧VIO数据之差，是相对的。而下面的GPS是绝对的    iterVIONext = iterVIO;    iterVIONext++;    if (iterVIONext != localPoseMap.end()) {        /// 计算两帧VIO之间的相对差（略）......        ceres::CostFunction *vio_function = RelativeRTError::Create(iPj.x(), iPj.y(), iPj.z(),                                                                    iQj.w(), iQj.x(), iQj.y(), iQj.z(),                                                                    0.1, 0.01);        problem.AddResidualBlock(vio_function, NULL, q_array[i], t_array[i], q_array[i + 1], t_array[i + 1]);    }    // gps factor    // GPS残差，这个观测量直接就是GPS的测量数据，    // 残差计算的是GPS和优化变量的差，这个是绝对的差。    double t = iterVIO->first;    iterGPS = GPSPositionMap.find(t);    if (iterGPS != GPSPositionMap.end()) {        ceres::CostFunction *gps_function = TError::Create(iterGPS->second[0], iterGPS->second[1],                                                           iterGPS->second[2], iterGPS->second[3]);        problem.AddResidualBlock(gps_function, loss_function, t_array[i]);    } }

优化完成后，再根据优化结果更新姿态就ok啦。为了防止VIO漂移过大，每次优化完成还需要计算一下VIO到GPS坐标系的变换。

7. 总结与讨论

1. 思考

根据上文中分析的优化策略，global fusion的应用场景应该是GPS频率较低，VIO频率较高的系统。fusion 默认发布频率位10hz，而现在的GPS可以达到20hz，如果在这种系统上使用，你可能还需要修改下VIO或者GPS频率。

2. GPS与VIO时间不同步

上文提到了，在多传感器融合系统中，传感器往往需要做时钟同步，那么global Fusion需要么？GPS分为为很多种，我们常见的GPS模块精度较低，十几米甚至几十米的误差，这种情况下，同不同步没那么重要了，因为GPS方差太大。另外一种比较常见的是RTK-GPS ，在无遮挡的情况下，室外精度可以达到 2cm之内，输出频率可以达到20hz，这种情况下，不同步时间戳会对系统产生影响，如果VIO要和RTK做松耦合，这点还需要注意。