【深蓝学院】手写VIO第8章--相机与IMU时间戳同步--笔记

0. 内容

1. 时间戳同步问题及意义

时间戳同步的原因：如果不同步，由于IMU频率高，可能由于时间戳不同步而导致在两帧camera之间的时间内用多了或者用少了IMU的数据，且时间不同步会导致我们首尾camera和IMU数据时间不同，会使估计存在误差，使我们的系统精度下降甚至出现错误的预测。如果以IMU时间为准确的，同步之后，我们可以用时间戳偏移对系统估计的$T_{wb}$进行补偿（思路1），或者能够得到与首尾IMU时间相同的时间对应的两帧camera的观测（思路2），提升系统精度。

时间戳同步有两种方式：硬同步和软同步。

• 硬同步即硬件同步：即IMU（或其他传感器）产生数据的同时给一个信号，可用于出发MCU中断，然后触发camera曝光，使camera输出图像的时间戳本身就和IMU同步，从而实现硬件同步。
• 软同步即软件同步：在软件上对收到的IMU和camera数据进行运算，解算出时间戳。具体来说，camera和IMU从产生到到达MCU是需要时间的，这段时间分别叫$t_d^{cam}$和$t_d^{imu}$，产生时间分别加上这个时延就的到了MCU采样的时间戳，二者相减就是真正的时间戳，这里我们只需要这个时间戳的相对量，所以我们可以假设IMU是准确的，$t_d^{imu}-t_d^{cam}$就是我们MCU所知的时间戳偏移$t_d$。

1.1 思路1：补偿camera pose的估计（轨迹匀速模型）

位姿补偿公式思路：假设相机在两帧间是匀速运动。VIO输出的是系统在world系下的pose，即$T_{wb}$，我们需要补偿的是$T_{wc}$，于是就结合VIO输出的角速度，速度反向推到cam时刻（补偿了$t_d$之后的时刻），然后再用外参$T_{bc}$转到cam系下即可：

在VIO残差中进行补偿：

1. 同样，我们VIO输出的是$T_{wb}$所以我们要先将landmark转换到body，再转换到camera系：
2. 这里实际上是在归一化平面，并没在像素平面（重投影误差的uv实际上是归一化平面的坐标，通过特征提取或者光流匹配而得），忽略了相机内参。
   将式（3）带入可的式（8）

重投影误差对时间戳延时$t_d$的Javobian：

式（9）推导，只看中间最复杂的部分，$exp({\omega }_{b_i}{t}_d+{\omega }_{b_i}\delta t_d)$，这里好理解点的话实际上角速度$\omega t$可以写成$(\omega t{)}^{\wedge }$，因为$\omega t$可以代表一个三维的旋转矩阵，按照旋转的表达方式是轴角表示，即 旋转角度*旋转轴，可以看之前的一篇知乎

所以上述部分可以表示成$exp[({\omega }_{b_i}{t}_d+{\omega }_{b_i}\delta t_d{)}^{\wedge }]$，这只是便于理解，正常还是按照$\omega t$表示，不加反对称符号。
所以，用到两个公式：

1. 按照BCH公式的SO3版本：
   
2. 还有$e^x$的无穷级数展开（跟太了展开差个无穷小），$e^x=1+x+\frac{x_2}{2!}+\frac{x_3}{3!}+\dots$，下面因为${\omega }_{b_i}\delta t_d$较小，所以二阶以上直接忽略
   所以
   $$\begin{array}{rl}exp({\omega }_{b_i}{t}_d+{\omega }_{b_i}\delta t_d)& =exp({\omega }_{b_i}{t}_d)\ast exp\{[J_r({\omega }_{b_i}{t}_d){\omega }_{b_i}\delta t_d{]}^{\wedge }\}\\ & =exp({\omega }_{b_i}{t}_d)\ast \{I+[J_r(\omega t_d)\omega \delta t_d{]}^{\wedge }\}\end{array}$$
   将上式带入式（9）就得BCH近似后的结果，因为是求关于时间戳$t_d$的Jacobian，所以将与$\delta t_d$有关的都拎出来，剩下的直接扔掉，就得到完整的式（9）。

由于补偿camera pose的估计改变了姿态，所以Jacobian的求取有些复杂，QinTong(2018，在待读文献2中)有一个想法是直接补偿我们特征点的测量值，计算出补偿值，应用于真实观测值上得到一个虚拟的观测值。

1.2 思路2：补偿观测值坐标（特征匀速模型）

具体思路是：根据特征匹配可以知道特征点uv的变化量，假设特征点是匀速运动，可以算出特征点的速度，知道了时间戳偏移$t_d$之后即可求出补偿后的虚拟的观测值坐标。

补偿观测值坐标由于只改变了观测的坐标，所以求Jacobian较简单，看（13）中与$t_d$有关的只有$-u,-v$，所以求导就是$-V$

QinTong的paper论文实验结果和结论：

• 时间戳补偿算法有用;
• 时间戳延迟越大，系统精度下降越多。
  

1.3 两种方法对比

• 特征匀速模型的假设更强，是假设特征是匀速运动的，而实际上是非线性运动，并非匀速，且补偿方法也是线性的。
• 而轨迹匀速模型的假设更接近实际，假设两帧间camera是匀速运动，补偿方法也是非线性的，所以精度比前者高。
  
  实际中对时间戳偏差估计的收敛速度，轨迹匀速法更快。

2. 疑惑

这个是先采集一段数据先标定出来IMU和Camera的时间戳，然后按照上面的任意一种方法补偿到系统中，还是说边估计边补偿？

看了些论文的标题，应该是先标定出来的，后面看了论文再来填这个坑。

3. 时间戳同步算法扩展

前面有系统初始化完成之后来估计$t_d$的，当系统初始化没有完成时$t_d$如何估计呢？
可以通过VO/SFM求出KF pose，利用$T_{bc}$外参转到body系下，求出i，j时刻的相对位姿，跟IMU预计分量对比构建误差，多时刻观测量可进行BA，优化出时间戳（也可优化出gyro bias，速度等，但是优化的量多了之后，优化精度可能会下降）

4. 总结

本章主要讨论了在VIO系统中对camera和IMU时间戳进行对齐的问题，着重讨论了将Camera对齐IMU的两种方法：轨迹匀速模型和特征匀速模型。并对其他的VI时间戳同步算法进行了扩展。

1. 针对轨迹匀速模型和特征匀速模型：

• 前者假设两个KF间的camera之间是匀速运动，估计出时间戳延时$t_d$之后，将其补偿在估计的camera位姿上，该方法对VIO数据的pose进行了改动，对于系统Jacobian的改动较大，但假设相对后者较弱，精度比后者高。
• 后者假设两帧KF间的特征点是匀速运动，估计出$t_d$后，将其补偿在特征点的观测上，计算出补偿之后的观测，该方法对Jacobian改动较小，而且为线性改动，但缺点也较为明显，因为该方法假设较强（特征较难满足匀速运动），所以精度比前者低，时间戳收敛速度比前者慢，但代码改动小，计算速度简单。

2. 另外对时间戳同步算法进行了扩展：

• 待读4改为对IMU进行时间戳补偿，精度更高;
• 待读5用camera的pose计算出traj，进而得出$\omega ,a$，与IMU的进行align得出$t_d$（这个不清楚，需要读原文）
• 待读6（提出Kalibr，行业标杆）使用标定板出一段camera pose，再使用B样条（B Spline）进行拟合，一阶，二阶导可以得出$\omega ,a$，和IMU数据进行align，优化出时间戳，不过使用的是autodiff 数值Jacobian。
• 待读7推导出6的解析李群Jacobian。

还有疑惑，时间戳便宜$t_d$是先标定出来还是在优化过程中进行呢？后续再解。

5. 作业

6. 待读文献

1. 北大的，提出轨迹匀速模型

Weibo Huang, Hong Liu, and Weiwei Wan. “Online initialization and extrinsic spatial-temporal calibration for monocular visual-inertial odometry”. In: arXiv preprint arXiv:2004.05534 (2020).

2. QinTong提出特征匀速模型

Tong Qin and Shaojie Shen. “Online temporal calibration for monocular visual-inertial systems”. In: RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE. 2018, pp. 3662–3669.

3. PTAM的特征匀速模型思路

Georg Klein and David Murray. “Parallel tracking and mapping on a camera phone”. In: 2009 8th IEEE International Symposium on Mixed and Augmented Reality. IEEE. 2009, pp. 83–86.
这篇是2009年的PTAM，里面的思想上面QinTong这篇一样。

4. 认为camera是准的，补偿IMU时间戳

Yonggen Ling et al. “Modeling varying camera-imu time offset in optimization-based visual-inertial odometry”. In: Proceedings of the European Conference on Computer Vision (ECCV). 2018, pp. 484–500.
这篇相对于第1节的算法，假设更弱，虽然轨迹匀速是假设camera见是匀速运动，但是如果是Slinding Window中的KF相隔时间久，可能存在较大时间差，匀速假设不易成立。
这篇改为补偿IMU，由于IMU频率高，数据之间的匀速假设更接近真实值，所以精度会更高，但是每次估计出新的时间戳都需要重新进行IMU预先积分，导致计算量增大。（没看过原文，IMU预积分不能找出来和时间戳的关系吗，这样就不用每次重新计算了）。

5. 用camera估出来的$\omega ,a$和IMU测量值进行align，得到时间戳偏移

Janne Mustaniemi et al. “Inertial-based scale estimation for structure from motion on mobile devices”. In: 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE. 2017, pp. 4394–4401.

6. ETH大组，Kalibr论文（行业标杆，必读）

Paul Furgale, Joern Rehder, and Roland Siegwart. “Unified temporal and spatial calibration for multi-sensor systems”. In: 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE. 2013, pp. 1280–1286.
Roland Siegwart好象是组的负责人。
使用标定板出一段camera pose，再使用B样条（B Spline）进行拟合，一阶，二阶导可以得出$\omega ,a$，和IMU数据进行align，优化出时间戳。但是解析解太复杂，这篇论文使用的autodiff数值Jacobian

7. 推导出解析Jacobian（DSO那个组，公式较多）

Christiane Sommer et al. “Efficient derivative computation for cumulative B-splines on Lie groups”. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020, pp. 11148–11156.
丹尼尔 crimse这个组