[1]-VIO概述

VIO 概述

1.0 VIO 引出

• VIO: (Visual-Inertial Odometry)

  以视觉与 IMU 融合实现里程计。

• 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

  • 同时 IMU 随着精度和使用场景的不同价格也会出现极大的变化。如下图所示：

    

• 视觉里程计 Visual Odometry

  • 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

2.0 IMU 与视觉定位优势劣势对比

方案	IMU	视觉
优势	快速响应 不受成像质量影响 角速度普遍比较准确 可估计绝对尺度	不产生漂移 直接测量旋转与平移
劣势	存在零偏 低精度 IMU 积分位姿发散 高精度价格昂贵	受图像遮挡、运动物体干扰 单目视觉无法测量尺度 单目纯旋转运动无法估计 快速运动时易丢失$

\quad 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。

\quad 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。

3.0 融合方案

\quad 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。

3.1 松耦合

\quad 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。整体的框架如下图所示：

3.2 紧耦合

\quad 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。整体框架如下图所示：

3.3 对比分析

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。