高精度地图为什么需要slam（期刊分享SLAM地图复用的视觉惯性单目SLAM）
高精度地图为什么需要slam（期刊分享SLAM地图复用的视觉惯性单目SLAM）跟踪和局部BA分别如下图所示。二、算法过去几年视觉和IMU融合是个非常活跃的话题，最近的研究聚焦于联合优化所有传感器的紧耦合视觉惯性里程计（visual-inertial odometry，VIO），方法包括滤波或基于关键帧的非线性优化。然而，这些方法仅能够计算增量运动而没有闭环检测或地图重利用的能力。这意味着估计轨迹的累积漂移没有上界，即使传感器总是在同样的环境中运动。这是由于为维持常运算量而进行的过去状态边缘化（marginalization）或全部平滑不能实现闭环。滤波方法能够从几何拓扑上实现闭环重用地图，但是并不能保证实时的全局一致性。最近的系统能够离线重用地图进行视觉惯性跟踪。请点击此处输入图片描述请点击此处输入图片描述跟踪和局部BA优化时都需要固定状态（fix states），使得结果产生偏差，因此需要在固定状态之前进行可靠的视觉惯性初始化以提供精确的状态估计。鉴于此，本文提出
编者序：本文是2017年提出的一篇单目和IMU紧耦合的SLAM算法，是在ORB-SLAM的基础上做的改进。从原理上将，融入IMU除了可以结果单目的绝对尺度问题外，还可以提高SLAM算法的精度和稳健性，源码可从GitHub上下载LearnVIORB。
推荐指数 ☆☆☆☆☆
一、引言
运动估计是机器人和计算机视觉领域的一个热点，可以催生诸如自动驾驶汽车、增强或虚拟现实、服务机器人和自主着陆等新技术。在不同的传感器模态中，视觉惯导组合是种便宜而又很有潜力的解决方案。一方面，相机提供了丰富的环境信息，可以构建三维模型、定位相机和识别已经访问过的地点；另一方面，IMU传感器提供了自运动信息，可以恢复单目视觉的尺度信息、估计重力方向、提供可视的绝对俯仰和滚动。
过去几年视觉和IMU融合是个非常活跃的话题，最近的研究聚焦于联合优化所有传感器的紧耦合视觉惯性里程计（visual-inertial odometry，VIO），方法包括滤波或基于关键帧的非线性优化。然而，这些方法仅能够计算增量运动而没有闭环检测或地图重利用的能力。这意味着估计轨迹的累积漂移没有上界，即使传感器总是在同样的环境中运动。这是由于为维持常运算量而进行的过去状态边缘化（marginalization）或全部平滑不能实现闭环。滤波方法能够从几何拓扑上实现闭环重用地图，但是并不能保证实时的全局一致性。最近的系统能够离线重用地图进行视觉惯性跟踪。
请点击此处输入图片描述请点击此处输入图片描述
跟踪和局部BA优化时都需要固定状态（fix states），使得结果产生偏差，因此需要在固定状态之前进行可靠的视觉惯性初始化以提供精确的状态估计。鉴于此，本文提出的视觉惯性全局BA提供了结构、相机姿态、尺度、速度、重力和加速度误差的最优解。全局BA是需要好的初始化以便收敛的非线性优化。本文通过分治法解决该问题。首先仅利用单目ORB-SLAM运行几秒估计结构和若干关键帧的姿态、未知的尺度因子，然后通过估计一致方向的关键帧计算陀螺仪偏差以便准确旋转加速度计测量，然后求解尺度和重力方向而不考虑加速度偏差。为区分重力和加速度偏差，利用已知的重力幅度值求解加速度偏差，调整尺度和重力方向。这事可直接提取所有关键帧的速度。该初始化方法仅需要传感器运动使得所有未知量可观测即可，而没做任何条件假设。
二、算法
跟踪和局部BA分别如下图所示。
与ORB的区别主要在以下几点：（1）、跟踪匹配优化时的代价函数除了重投影误差外，加入了IMU误差；（2）、局部BA代价函数同样加入了IMU误差项；（3）关键帧管理时引入了时间约束，局部BA时相邻关键帧不大于0.5s，全局BA时相邻关键帧不大于3s；（4）闭环检测位姿图优化时，使用了不含尺度的6DoF。
三、实验
在EuRoC数据集上测试，仅利用单目和IMU信息，IMU初始化如下图所示，可以很短时间即可完成高精度的初始化。
请点击此处输入图片描述请点击此处输入图片描述
与ORB-SLAM的RMSE对比结果如下图所示。
请点击此处输入图片描述请点击此处输入图片描述
与state of art 的直接双目视觉里程计算法相对位置误差比较结果如下。
英文名称：Visual-Inertial Monocular SLAM with Map Reuse
链接：
https://arxiv.org/pdf/1610.05949.pdf
问题：看懂原文的来后台交流下。
死磕自律，遇见更好的自己；自斩双臂，方能长出强两翼。
败而不弃，潜龙勿用待时机；执着坚毅，飞升上神创奇迹！
关注该头条号，一起创造奇迹。
