vins-fusion解读

最新推荐文章于 2025-10-25 18:08:55 发布
原创 最新推荐文章于 2025-10-25 18:08:55 发布 · 5.4k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文深入探讨VINS-Fusion框架，关注双目视觉与惯性测量单元(IMU)的融合技术。解析了安装测试流程，包括使用小觅相机、realsense及ZED等设备的方法，并提供了代码与论文资源链接。

关心vins-fusion，尤其是融合双目与imu那块。

1. 如何安装测试？数据集与自己的相机

1.1  安装测试

1.2 数据集

1.3 自己的相机

    目前的相机有小觅相机（带有硬件时间对齐IMU)，realsense，ZED。

2. 论文与资源

代码：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion

文章：T. Qin, J. Pan, S. Cao and S. Shen: A General Optimization-based Framework for Local Odometry Estimation with Multiple Sensors. 2019.

 

3. 解读

别人的解读：

https://blog.youkuaiyun.com/huanghaihui_123/article/details/86518880

VINS-FUSION：配置参数说明与配置自己的参数
weixin_38582851的博客
04-30 1006
VINS-Fusion 是一个基于优化的多传感器状态估计器，实现了视觉惯性里程计(VIO)和视觉惯性全球导航卫星系统(VI-GNSS)融合。
Vins-Fusion整体框架，数据流分析
u010196944的博客
10-14 3516
Vins-Fusion整体框架，数据流分析
VINS-Fusion
04-02
香港科技大学的项目VINS-Fusion，单目视觉惯性系统的在线时间校准
VINS-Fusion代码解读-小白友好版
最新发布
qq_44691564的博客
10-25 660
​​偏置补偿​​：递推过程中使用的加速度和角速度，都会​​减去当前估计的偏置值​​（acc - Bas[j]和 gyr - Bgs[j]）。​​重力向量细化 (RefineGravity)​​：初始求解时，重力向量被当作一个自由的3维向量来估计，这可能会引入误差，因为其模长应是固定的（约9.8 m/s²）。​​坐标系转换​​：加速度测量值会​​从IMU本体坐标系转换到世界坐标系​​（通常是第一帧的IMU坐标系）再进行积分。​​重力处理​​：在世界坐标系下积分速度时，需要​​加上重力加速度 g​​。
从零完成slam实战，以Vins-Fusion为例
u010196944的博客
10-10 8825
ubuntu20.04 + d435i + vins-fusion，从零完成slam实战
Vins-Fusion 学习笔记
qq_43525734的博客
03-18 4512
VINS-Fusion 基本介绍 VINS-Fusion 是继 VINS-Mono 和 VINS-Mobile（单目视觉惯导 SLAM 方案）后，香港科技大学沈劭劼老师开源的双目视觉惯导 SLAM 方案，VINS-Fusion 是一种基于优化的多传感器状态估计器，可实现自主应用（无人机，汽车和 AR / VR）的精确自定位。 VINS-Fusion 是 VINS-Mono 的扩展，支持多种视觉惯性...
VINS_FUSION
qqGHJ的博客
10-25 8958
VINS_FUSION代码解析
VINS-FUSION 优化-先验因子(边缘化)
u010196944的博客
07-22 1690
VINS中的边缘化策略，将滑出窗外的帧与滑窗内的帧的约束使用边缘化的形式保存为先验误差因子进行后续非线性优化，以保留约束信息。滑窗过程：在滑动窗口中，总是保持窗口总体大小不变，当新进来一帧，通过函数addFeatureCheckParallax判断，如果属于关键帧，则去除窗口中最老帧，置标志MARGIN_OLD；如果不属于关键帧，则去除窗口中次新帧，置标志MARGIN_SECOND_NEW。通过该种策略完成滑窗过程。
VINS-Fusion features特征点管理
u010196944的博客
07-22 472
特征点管理关键是特征的数据结构设计及逻辑包含关系，铆定特征点features_，该特征点可能被多帧观测到FeaturePerId，该特征点在一帧图像中的信息表达FeaturePerFrame。
VINS-FUSION 优化-IMU预积分因子（一）
u010196944的博客
07-22 912
从IMU常规中值积分引出预积分，并求得IMU预积分因子对优化变量的全部雅克比矩阵，
VINS-Fusion 位姿图optimize4Dof四自由度优化
u010196944的博客
07-24 571
在上篇文章“VINS-Fusion 回环检测pose_graph_node”中，findConnection回环成功后，用当前偏移修正在世界坐标系下的累计偏移，同时将当前帧加入优化队列optimize_buf，进行位姿图优化，形成全局一致的位姿。
VINS学习01——VINS_Fusion官方教程翻译解读
weixin_44168457的博客
11-08 3759
VINS_Fusion 是一个基于优化的多传感器融合定位算法，由港科大开源，在VINS_Fusion基础上改进。融合传感器包括：IMU，双目相机，GPS
VINS-Fusion学习笔记
m0_46182398的博客
03-04 4970
VINS-Fusion是一套定位数据融合算法，基于优化的方法对多传感器得到的状态量进行融合估计得到准确的位置信息。VINS-Fusion相比于传统的基于滤波的数据融合算法实现了传感器数据的解耦，对时间同步没有严格要求，定位精度较基于滤波的算法也更高。但该方法所需要的计算时间更长。
VINS-Fusion源码逐行解析：程序入口rosNodeTest.cpp
shikaiaixuexi的博客
06-09 890
config：存放了程序运行需要的yaml文件，需要什么相机，就用对应的配置文件就行。接下来我们看整个vins-fusion的程序入口，rosNodeTest.cpp。global_fusion：照VINS-Mono新增加的GPS等全局传感器。今天开始阅读VINS-Fusion，以专栏的形式记录一下，防止之后自己忘。docker：顾名思义，使用docker运行VINS-Fusion。loop_fusion：局部回环检测，若需要回环检测需要单独运行。vins_estimator：主要看的地方；
【VSLAM】VINS-Fusion原理及源码解析（一）——初识VINS-Fusion
caiqidong321的博客
08-16 8088
本系列博客以`VINS-Fusion`源码流程为导向，从入口函数一步步讲解前端和后端，最后完成仿真和真机实验部署，希望可以细致入微地对`VINS-Fusion`作一个完整全面的讲解。
VINS-Fusion解析——流程（转载）（vins-fusion只需要启动一个节点就可以了，相比于vins-mono要起三个节点）
诗筱涵的博客
03-29 2651
转载自：https://blog.youkuaiyun.com/iwanderu/article/details/104837057/ VINS-Fusion解析——流程 iwander。 2020-03-13 11:27:32 955 收藏 7 分类专栏： 机器视觉 版权 VINS-Fusion分析 因为时间原因，没有像vins-mono看的和写的那么具体。有时间的话我会补充完整版。 vins-fusion不像mono那样有三个node，它只有一个node，在rosNodeTest.cpp里。我推测之
VINS-FUSION 前端后端代码全详解
热门推荐
lovely_yoshino的博客
07-16 1万+
本次工作 我首先一步步的把代码全部注释了，十分的详细，对于C++和OpenCV的一些操作也进行了详细的注释，对于刚入门的同学应该还是有帮助的。之后我将代码开源，并写了相应的博客进行讲解。 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message void img0_callb
VINS-Fusion源码逐行解析：processImage函数最后剩下的几个函数predictPtsInNextFrame()、failureDetection()等
shikaiaixuexi的博客
07-16 468
vins-fusion的主要函数到这里也就基本讲完了，跟一遍下来自己熟悉的同时也希望能给大家带来一些方便，之后会继续给大家带来一些slam的相关内容，有什么问题或建议大家可以关注并私信我，博主能解答的一定尽全力解答。接着看下清空状态的函数clearState()，该函数作用是重置整个状态，清空缓冲区、重置各种变量和标志位，确保系统处于初始状态或者清空所有运行状态以备新的运行使用。今天这讲写完后，vins-fusion也基本完成一遍流程，讲完了。
【SLAM】VINS-Fusion解析——流程
iwanderu的博客
03-13 9631
VINS-Fusion分析 因为时间原因，没有像vins-mono看的和写的那么具体。 vins-fusion不像mono那样有三个node，它只有一个node，在rosNodeTest.cpp里。我推测之所以这样做，是为了方便非ros版的c++项目使用。先上流程图。 基本上所有的内容都在estimator.cpp。 几个比较印象深刻的的地方。 feature_tracker里面， 并没有对i...
vins-fusion 优化代码详细解读
10-15
虽然提供的引用未直接涉及VINS - Fusion优化代码的详细解读，但可以从相关引用推测其解读的一些维度。 VINS - Fusion优化代码在整个系统中起着重要作用，从引用[3]可知，`Estimator::setParameter` 函数与优化相关，它读取了每一个相机到IMU坐标系的旋转/平移外参数和非线性优化的重投影误差部分的信息矩阵。代码如下： ```cpp //2.1.1设置参数 void Estimator::setParameter() { for (int i = 0; i < NUM_OF_CAM; i++) { tic[i] = TIC[i]; ric[i] = RIC[i]; cout << " exitrinsic cam " << i << endl << ric[i] << endl << tic[i].transpose() << endl; } f_manager.setRic(ric); ProjectionTwoFrameOneCamFactor::sqrt_info = FOCAL_LENGTH / 1.5 * Matrix2d::Identity(); ProjectionTwoFrameTwoCamFactor::sqrt_info = FOCAL_LENGTH / 1.5 * Matrix2d::Identity(); ProjectionOneFrameTwoCamFactor::sqrt_info = FOCAL_LENGTH / 1.5 * Matrix2d::Identity(); td = TD; g = G; cout << "set g " << g.transpose() << endl; featureTracker.readIntrinsicParameter(CAM_NAMES, DEPTH); std::cout << "MULTIPLE_THREAD is " << MULTIPLE_THREAD << '\n'; if (MULTIPLE_THREAD) { processThread = std::thread(&Estimator::processMeasurements, this); } } ``` 此函数的作用在于为优化过程设置必要的参数，包括相机与IMU的外参、重投影误差的信息矩阵等。相机与IMU的外参（旋转 `ric` 和平移 `tic`）对于将相机坐标系下的测量转换到IMU坐标系中至关重要，是多传感器融合优化的基础。重投影误差的信息矩阵用于衡量不同观测值的可信度，在优化过程中影响着各个误差项的权重。 关于VINS - Fusion优化代码更详细的解读，通常还会涉及到后端优化的具体算法，如非线性优化方法（如高斯牛顿法、列文伯格 - 马夸尔特法等）在VINS - Fusion中的应用，以及如何利用滑动窗口技术在保证实时性的同时进行有效的状态估计和优化。同时，优化代码还会处理IMU预积分、特征点的重投影误差等多个误差项的融合，以实现高精度的视觉惯性里程计。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值