最近幾個月忙於博士畢業，找工作一直沒有繼續更新博客，希望以這一篇開始，每個月能夠繼續有幾篇總結博客。
首先review一下比較著名的vio系統
- Tightly coupled
- EKF: mainly ETH ASL R.Siegwart work
- Tightly-coupled
- EKF:
- MSCKF->MSCKF2.0->SR-ISWR observability and consistency analysis
- ROVIO
- SR-ISWF
- Optimization:
- OKVIS
- VINS-Mono (more robust initialization compared with OKVIS and less sensitive towards noise and bias prior)
- Inertial ORB (no original open source, no metric scale estimation at the beginning, sudden change of Map when the scale is solved)
- EKF:
VIO系統的優點顯而易見，難點在於如何將visual和inertial兩個傳感器的優缺點有效結合，達到快速初始化（最重要的是尺度和重力方向），穩定魯邦估計，以及對噪聲和傳感器參數（相機IMU外參，IMU零偏）的高度容忍或者在線估計。
這篇博客主要比較集中優化方法的初始化過程，為了達到非線性優化問題的最優解，一個靠譜的初值可以讓系統很快收斂，不僅可以提高優化速度，也可以達到optimal的狀態估計。相反，初值估計錯誤不僅導致非線性優化問題陷入局部最小，而且使得參數估計完全錯誤，從而使得系統崩潰（俗稱系統飛掉，特別是imu的bias參數估計錯誤）。
首先介紹OKVIS的初始化方法，OKVIS對IMU的參數非常敏感（相對於VINS-Mono使用商用級別commercial-grade的IMU即可，它需要使用工業級別industrial-grade的IMU來完成初始化操作），因為整個系統的狀態propagation就是基於IMU，更嚴苛的是系統的初始化狀態也完全依賴於初始（幾十個或者幾百個）IMU數據的propagation給出的姿態，如果是pure rotation運動，則使用2D-2D匹配進行跟蹤，軌跡僅由IMU給出，當可以三角化出landmark時（有足夠的2D-2D匹配內點，且內點可以恢復出3D點（使用Kneip的Opengv中算法）），初始化完成。后續同時使用3D-2D匹配和2D-2D匹配。因此，IMU給出的初始軌跡估計需要比較准確，才可以給出初始軌跡，並且確定何時可以初始化完成。