11、基于RGBD的几何重建：iDFusion方法解析

基于RGBD的几何重建：iDFusion方法解析

1. 引言

在空间AI计算领域，基于RGBD和惯性测量的全局一致密集3D重建备受关注。随着RGBD传感器的广泛应用，众多研究致力于减少RGBD扫描的配准误差。但仅依赖视觉输入的重建算法，在无纹理或运动模糊的环境中易失败或产生不良伪影。因此，结合视觉和惯性观测的视觉 - 惯性导航系统应运而生，以提高精度。

2. iDFusion：鲁棒重建方法

iDFusion旨在结合视觉观测和惯性测量的优势，实现全局一致性和高局部精度，开发一个可靠、全局一致且能实时实现的实用密集3D重建系统。
- 姿态估计问题 ：将其定义为所有相机和IMU数据的联合优化问题，可表述为非线性高斯 - 牛顿优化问题，通过最大后验估计求解，保证相机位置的全局一致估计。
- 降低复杂度 ：采用FastGO方法，根据每个点的深度信息和关键帧数量减少视觉观测数量，降低视觉部分的复杂度。同时，使用IMU预积分技术对高频惯性测量进行分组，实现所有历史观测的实时优化。
- 闭环检测 ：为消除累积的定位漂移，引入闭环检测。但基于视觉观测的闭环检测易产生误报，为此开发了基于IMU偏置状态的独特闭环有效性检测器，利用IMU状态的估计偏置判断闭环观测是否一致。
- 深度观测融合 ：使用亚厘米分辨率的截断有符号距离场（TSDF）融合深度观测，结合VoxelHashing实现可扩展性，FlashFusion提高效率。

3. 具有全局一致IMU信息的定位系统