編者序：本文是香港科技大學沈邵劼老師的一篇經典文章，沈老師在單目視覺與IMU融合的SLAM方面做了大量優質工作且在GitHub上提供了相關源碼。傳感器器融合中，初始化是至關重要的一項工作，本文理論焦點在於如何快速穩健初始化，但該部分水太深，編者理解有限，推薦看原文。
推薦指數 ☆☆☆☆☆
一、引言
微型無人機的需求越來越廣泛，最近出現了空中拍攝、調查研究和搜救方面的應用。精確的狀態估計是自主飛行的核心基礎。許多基於單目、雙目和RGBD相機及激光雷達的的定位算法在無人機上成功應用。一些應用中，受限於成本和功耗，機上的傳感器數量非常有限。單目視覺慣性系統，僅含一個相機和一個低成本IMU，具有尺寸小、重量輕、低功耗的特點，已經成為一種非常有吸引力的選擇。單目視覺慣性系統具有在沒有GPS信號的環境中自主飛行的能力，是非常值得研究的。
穩健的狀態估計是複雜環境無人機飛行的核心能力，由於視覺慣性系統的非線性，單目估計器的性能嚴重依賴於初始值（重力、速度、偏差和特徵深度）的精度。不好的初始化會降低收斂速度甚至導致完全錯誤估計。尤其對擁有6自由度的無人機來講，精確初始值是至關重要的。然而，獲取精確的初始狀態對單目視覺系統來講並不容易：一方面，單目星級不能直接観測到尺度值；另一方面，初始化尺度值時需要非零加速運動。這會導致非平凡但是未知的初始attitude（重力向量）和速度。尤其是在時間約束的救援任務中，靜止或按某種特定模式飛行進行初始化是不可取的，需要能快速起飛MAV，並不利用運動的先驗信息初始化估計器。此外，視覺算法在快速運動或光照強烈變化時會失效，導致跟蹤失敗。這暗示著研究飛行中自動重新初始化是必要的，這是我們研究能夠在飛行中初始化恢復所有關鍵狀態的穩健系統的動機。
本文提出了一種飛行中初始化的單目視覺慣性系統初始化方法，初始速度、重力向量、尺度和陀螺儀偏差在初始化階段校正。首先執行僅視覺的運動恢復結構（structure from motion，SfM），然後大致對齊IMU測量值和SfM結果以或得初始狀態。本文的貢獻主要是兩方面：（1）該方法能夠在飛行中初始化，從而為非線性優化系統提供精確初始值；（2）在系統方面，將該方法應用於基於劃窗的單目視覺慣性系統。
二、算法總覽
本文算法的動機是：無論鬆耦合還是緊耦合方法，都需要精確的初始估計以激活單目視覺慣性非線性系統。一方面，單目相機獲取不了絕對尺度和速度；另一方面，初始化尺度需要非零加速運動，導致非平凡但未知的初始重力向量和速度。隱藏在IMU積分中的尺度信息很容易受噪聲和偏差的影響。視覺和慣性測量時互補的，一個代表了上規模的全局結構，另一個包括了變量的增量信息，沒有一個好的初始估計，很難將它們直接融合在一起。短時間的運動常常並不能驅動整個系統完全可觀測。基於濾波的融合方法常常運行一段時間直到收斂；基於優化的方法在光束內保持長時間的測量，然後同時優化這些狀態。壞的初始值將會導致基於濾波的方法不收斂，導致基於優化的方法收斂至局部最小。一般地，將最開始幾秒的IMU測量值的平均看做重力向量，而IMU積分結果看做初始猜想。然而，這種處理當IMU測量受到非平凡偏差或加速運動時是不合適的。因此需要穩健的初始化過程。
僅單目的視覺SLAM或SfM比視覺慣性融合穩定的多。事實上，構建僅視覺的上規模結構並不依賴於上述任何初始狀態，必要的初始值可以通過與IMU對齊提取。因此，我們採用鬆耦合視覺慣性初始化過程獲得初始狀態。本文算法的處理流程如下圖所示，首先構建僅視覺的結構，然後將它與IMU預積分對齊以恢復初始值。
三、實驗
本文算法在EuRoC數據集上的運行結果如下所示。
請點擊此處輸入圖片描述請點擊此處輸入圖片描述
本文算法在室內和室外實測結果分別如下圖所示，ground truth 分別通過OptiTrack系統和GPS。
強烈推薦拜讀原文，感覺做的工作真的很紮實。
英文名稱：Robust Initialization of Monocular Visual-Inertial Estimation on Aerial Robots
鏈接：
http://www.ece.ust.hk/~eeshaojie/iros2017tong.pdf
死磕自律，遇見更好的自己；自斬雙臂，方能長出強兩翼。
敗而不棄，潛龍勿用待時機；執著堅毅，飛昇上神創奇蹟！
關注該頭條號，一起創造奇蹟。
相關推薦
