視覺和imu融合的算法研究


融合方式概述   

同SLAM發展過程類似,視覺融合IMU問題也可以分成基於濾波基於優化兩大類。
同時按照是否把圖像特征信息加入狀態向量來進行分類,可以分為松耦合緊耦合兩大類。

一.基於濾波的融合算法

1.1 松耦合

松耦合將視覺傳感器和 IMU 作為兩個單獨的模塊,兩個模塊均可以計算得到位姿信息,然后一般通過 EKF 進行融合。
松耦合框架

可參考的算法有ethz的Stephen Weiss的ssf和msf

1.2 緊耦合

緊耦合則是指將視覺和 IMU 得到的中間數據通過一個優化濾波器進行處理,緊耦合需要把圖像特征加入到特征向量中,最終得到位姿信息的過程。由於這個原因,系統狀態向量最終的維度也會非常高,同時計算量也很大。

緊耦合框架

可參考的算法有MSCKF,ROVIO

 

二.基於優化的融合算法

2.1 松耦合

基於松耦合優化的工作不多,這里只給出一篇文章作為參考:
Inertial Aided Dense & Semi-Dense Methods for Robust Direct Visual Odometry

2.2 緊耦合  https://blog.csdn.net/qq_18661939/article/details/53574981

提到基於優化的緊耦合,就不得不提okvis了,主體思想是建立一個統一的損失函數同時優化視覺與IMU的位姿,用到了sliding window的思想。(這方面博主也需要再深入研究一下)
可參考 OKVIS, 以及港科大剛剛開源的 VINS-Mono

 

 code

(1)imu和單目的緊耦合濾波方法

https://github.com/ethz-asl/rovio

(2)imu和單目的緊耦合非線性優化方法

  • https://github.com/ethz-asl/okvis

          https://github.com/ethz-asl/okvis_ros

 


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM