【《视觉惯性里程计的研究现状文献综述》1600字】

视觉惯性里程计的研究现状文献综述VIO的发展现状。根据后端优化的处理手段，可以将VIO分为基于滤波的和基于优化的两种。根据视觉传感器与惯性部件的融合方式，可以将VIO分为松耦合（Looply-Coupled）和紧耦合（Tightlly-Coupled）REF_Ref2910\r\hREF_Ref31320\r\h[17]两种，如图1.1所示。松耦合指的是视觉传感器定位模块与惯性传感器定位模块之间相互独立，采用特定方式对信息进行交换；紧耦合指的是利用惯性测量量对VO进行辅助，加速视觉图像中特征点之间的匹配，将状态变量都放在一起进行数据更新和预测估计。图像图像IMU预测更新陀螺仪加速度计特征点图像位姿估计位姿估计IMU迭代更新特征点位姿加速度计陀螺仪a）松耦合b）紧耦合图1.1融合方式MSCKF（多状态约束下的Kalman滤波）REF_Ref31721\r\h[18]是由包括Mourikis在内的三名学者于2007年3月成功提出的紧耦合的视觉惯性SLAM系统。MSCKF采用基于滤波的后端优化手段。与VO算法相比，MSCKF能够适应更剧烈的运动、一定时间的纹理缺失等，具有更高的鲁棒性。传统的基于EKF的SLAM方法是将图像特征加入到状态向量中与IMU状态一起估计，计算量会很大。MSCKF则是以滑动窗口的形式，使一个特征点能同时被多个相机观测到，从而建立几何约束，再利用所建立的几何约束进行滤波更新。MSCKF状态向量的维度相较EKF-SLAM大大降低,通过不断移除历史的相机状态来维持固定个数的相机位姿,从而对MSCKF后端的计算量进行限定，收敛性和鲁棒性都因此得到了明显的改善。MSCKF滑动窗口如图1.2所示。图1.2MSCKF滑动窗口Bloesch等人于2015年提出了ROVIOREF_Ref32097\r\h[19]。ROVIO是基于滤波的鲁棒视觉惯性里程计，它用紧耦合的方式融合了IMU和视觉信息。ROVIO能够直接计算图像块之间的像素误差，以达到精确、鲁棒的跟踪。ROVIO的计算量小，但精度容易受设备参数的影响，应用于不同的设备时需对参数进行调整，没有回环检测环节和建图线程，会产生累积误差。Lupton和SukkariehREF_Ref32489\r\h[20]于2012年提出了预积分的方法，就是将原本的积分变成了相邻两帧中相对运动的积分，使得预积分量只与IMU的测量量有关，即只要IMU的测量量不变，预积分的结果就不会发生改变。2014年3月，leuteneger等学者REF_Ref2627\r\h[21]研究并发表了基于优化的视觉惯性里程计系统（OKVIS）的相关学术论文，它是用紧耦合的方式融合IMU和视觉信息的双目视觉惯性里程计。OKVISREF_Ref3150\r\h[21]没有回环检测和建图，并不是完整的SLAM。在图1.3中，图a)为纯视觉SLAM示意图，图b)为视觉＋IMU的SLAM示意图。IMU对每一个测量帧都增加了相应的状态量（即陀螺仪和加速度计的偏差及速度），并对连续两个测量帧之间的位姿数据进行了约束。（1-1）其中：k表示关键帧索引，i表示相机索引，j表示特征点的索引；等式右边第一项为visual，第二项为inertial；表示特征的信息矩阵，表示IMU误差的信息矩阵；表示视觉重投影的误差，表示一个IMU误差项。a)纯视觉SLAMb)视觉＋IMU的SLAM图1.3OKVIS视觉与IMU的融合结构OKVIS系统将前后帧IMU测量值进行积分，积分时需使用IMU的bias（偏差），但偏差是一个每次迭代都会发生变化的状态量，所以每次迭代时要根据状态量相对于偏差的雅可比重新计算预积分值。偏差变化太大的话，则无法通过雅可比近似计算预积分值，只能根据IMU测量值重新积分。VINSREF_Ref384\r\h[22]也采用了预积分的思想。香港科技大学的沈邵劼于2017年9月提出了VINS-Mono，它是基于优化和滑动窗口的紧耦合单目视觉惯性SLAM方案，具有自动初始化、在线外参标定、重定位、回环检测和全局位姿图优化等功能。VINS-Fusion是VINS-Mono的扩展，它支持多种类型的视觉惯性传感器。参考文献LiW,PanCW,ZhangR,etal.AADS:Augmentedautonomousdrivingsimulationusingdata-drivenalgorithms.[J].Sciencerobotics,2019,4(28).UsenkoV,EngelJ,StucklerJ,etal.Directvisual-inertialodometrywithstereocameras[C]//2016IEEEInternationalConferenceonRoboticsandAutomation(ICRA).Stockholm,2016:1885-1892.MeninA,TorchelsenR,NedelL.AnAnalysisofVRTechnologyUsedinImmersiveSimulationswithaSeriousGamePerspective[J].IEEEComputerGraphicsandApplications,2018,38(2):57-73.J.Steuer,“Definingvirtualreality:Dimensionsdeterminingtelepresence,”JournalofCommunication,vol.42,no.4,pp.73–93,1992.李建禹.基于单目视觉与IMU结合的SLAM技术研究[D].哈尔滨工业大学,2018.夏凌楠,张波,王营冠,魏建明.基于惯性传感器和视觉里程计的机器人定位[J].仪器仪表学报,2013,34(01):166-172.KonoligeK,AgrawalM,SolàJ.Large-scalevisualodometryforroughterrainroboticsresearch[M].Springer,2011:201-212．Bonin-FontF,OrtizA,OliverG.Visualnavigationformobilerobots:asurvey[J].JournalofIntelligentandRoboticSystems,2008,53(3):263-296.王鹏,孙长库,张子淼.单目视觉位姿测量的线性求解[J].仪器仪表报,2011,32(5):1126-1131.周俊,吴明晖,王先伟.基于视觉与IMU融合的采茶机器人位姿估计研究[J].农业装备与车辆工程,2019,57(07):29-32+38.H.Durrant-WhyteandT.Bailey,“Simultaneouslocalizationandmapping:partI,”IEEERobotics&AutomationMagazine,vol.13,no.2,pp.99–110,2006.A.Davison,I.Reid,N.Molton.Monoslam:Real-timesinglecameraSLAM.IEEETransactionsonPatternAnalysisandMachineIntelligence,vol.29,no.6,pp.1052–1067,2007.G.Klein,D.Murray