一、VIO（Visual-Inertial Odometry）概述

VIO即以视觉（相机）与 IMU 融合实现里程计的方法

IMU（Inertial Measurement Unit），惯性测量单元.

典型 6 轴 IMU 以较高频率（≥ 100Hz）返回被测量物体的角速度
与加速度
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
易漂移

Visual Odometry 视觉里程计

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

1.1 IMU概述

六自由度 IMU 本身由一个陀螺仪和一个加速度计组成，分别测量自身的角速度和加速度。
在这里插入图片描述
手机等电子产品多使用价格低廉的 MEMS IMU（如 MPU 6050），自动驾驶类则多使用几万元的 IMU（如 Apollo 中使用的 Novatel SPAN-IGM-A1）

1.2 IMU 与视觉定位方案优势与劣势对比：

在这里插入图片描述整体上，视觉和 IMU 定位方案存在一定互补性质：
• IMU 适合计算短时间、快速的运动；
• 视觉适合计算长时间、慢速的运动。
同时，可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积误差；反之， IMU 可以为视觉提供快速运动时的定位。

1.3 IMU 数据可与多种定位方案融合

• 自动驾驶中通常用 IMU+GPS/差分 GPS/RTK 的融合定位方案，形成 GNSS-INS 组合导航系统，达到厘米组定位精度；
• 头戴式 AR/VR 头盔则多使用视觉 +IMU 的 VIO 定位系统，形成高帧率定位方案

1.3.1 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。
在这里插入图片描述

1.3.2 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。
在这里插入图片描述

					 `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。

二、预备知识

2.1 数学符号约定

普通变量： (a, b, c)
矩阵和向量：A,B, v
集合：(mathbb{R}, mathbb{Z})
特殊集合： (mathcal{F}, mathcal{G})
希腊字母和向量： (alpha)
李代数： (mathfrak{s o}(3), mathfrak{s e}(3))

2.2 三维刚体运动

在这里插入图片描述

2.3 四元数

在这里插入图片描述
四元数相关知识可以参考资料：https://download.csdn.net/download/qq_34213260/12504624

2.3.1 四元数和角轴的转换关系

在这里插入图片描述

2.3.2 四元数求导

在这里插入图片描述

2.3.3 四元数更新

当我们用计算出来的角速度ω 对某旋转更新时
在这里插入图片描述

2.4 李代数

2.4.1 李群李代数的关系

在这里插入图片描述由于(phi)是三维向量, 我们可以定义它的模长和它的方向，分别记作 ( heta) 和 (a,) 于是有 (phi= heta a_{0}) 这里 (a) 是一个长度为 1 的方向向量，即 || (a |=1_{circ}) 。因此可以推导出
(phi=ln (oldsymbol{R})^{vee}=arccos frac{operatorname{tr}(oldsymbol{R})-1}{2})
在这里插入图片描述