做个网站成功案例,做情侣网站,长沙网站快速排名提升,特效很好的网站作为一个学过一点惯导的工程师#xff0c;在初次接触视觉slam方向时#xff0c;最感兴趣的就是IMU预积分了。但为什么要用这个预积分#xff0c;在看了很多材料和书后#xff0c;还是感觉模模糊糊#xff0c;云里雾里。 在接触了vSLAM的更多内容后#xff0c;站在历史研究…作为一个学过一点惯导的工程师在初次接触视觉slam方向时最感兴趣的就是IMU预积分了。但为什么要用这个预积分在看了很多材料和书后还是感觉模模糊糊云里雾里。 在接触了vSLAM的更多内容后站在历史研究者的角度去分析得到了一个更为清晰的作用分析。 首先需要明确IMU与相机这两种传感器的互补作用这是为什么要用IMU的原因。直接贴出程博书中的内容总结的比较全面了。 总之就是相机成像的缺点可以由IMU来解决IMU可以起到很好的辅助作用。此外IMU漂移的缺点也会被相机抑制。二者优势互补劣势互容相机IMU进行组合使用可以得到比单独一种传感器更好的位姿估计。
其次需要考虑如何使用IMU数据。 对于该问题程博在书中提到了两种思路分别为松耦合和紧耦合。 在上面的松耦合方案中用KF实现的话就是二者位姿作差送到KF中进行更新相当于ins/gps的松耦合方案。对于优化思路的话二者位姿作差最小化该残差模值的和即可。这样做的话用起来就是单帧更新两图像帧之间的约束就无法纳入到考虑中也就是图上所说的割裂了状态估计的联系。这是一种较低层次的融合。说起来这种方法感觉更像是以相机辅助IMU。
紧耦合方案的话滤波方向可以看看MSCKF等方案。但对于优化方向以VINS为例可以将两个关键帧之间的IMU积分积分所得的广义位速姿bias增量”作为图优化的“边”从而限制两个关键帧之间位速姿bias的变化量。真正执行时优化迭代过程中两个关键帧的位姿进行广义减法可以得到广义位速姿bias增量”的估计值而IMU积分得到“广义位速姿bias增量”的测量值由二者相减可得残差项。 注意上图中IMU积分认为bias一阶导为0只剩下高斯白噪声积分就不必了增量默认就是0了。所以相减的话也只有优化得到的bias增量剩下了。
预积分的“预”字含义就是在优化的多次迭代过程中两关键帧间的IMU积分所得的广义位姿增量是基本不变的可以预先积分好直接在整个优化过程中去用。即便bias变化还有相应的一阶雅克比近似去更新预积分除非bias变化较大那就需要对两关键帧间每个IMU都积分一遍才能得到相应的位速姿变化量了。
