vins-mono边缘化

对于vins-mono边缘化，它是一种针对视觉惯导系统中的状态估计问题的优化方法。VINS-Mono是一个基于单目相机的视觉惯导系统，它可以估计相机的位姿、速度和重力向量等状态信息。

边缘化是指在状态估计过程中将某些变量从整个系统中"边缘化"掉，即通过消除它们的先验和后验不确定性来简化问题。在vins-mono中，通过边缘化一些变量，可以将整个系统的复杂度降低，提高状态估计的精度和效率。

在vins-mono中，边缘化主要用于移除历史图像帧的状态变量，以减少系统的计算复杂度。当系统处理新的图像帧时，历史图像帧的状态变量会被边缘化掉，只保留当前图像帧的状态信息。这样可以降低系统的维度，减少计算量，并且保持状态估计的一致性。

需要注意的是，vins-mono边缘化是一个迭代优化过程，在每个时间步骤上都会进行。通过边缘化历史图像帧的状态变量，可以使系统更加稳定，并提高运动估计的准确性。

相关问题

vins-mono的边缘化分析

vins-mono是一种基于单目相机的视觉惯性里程计系统，可以用于实现相机的定位和建图。边缘化分析是vins-mono系统中的一个重要步骤，用于优化状态变量并更新系统的状态估计。

边缘化分析是一种对非关键状态变量进行消除的方法，可以将状态变量的数量降至最小化，从而简化状态估计问题。在vins-mono系统中，边缘化分析用于消除相机的姿态变量和特征点的位置变量，保留相机的速度和加速度等惯性测量单元的状态变量。

在边缘化分析中，可以通过计算雅可比矩阵来消除非关键状态变量。雅可比矩阵是状态变量和观测变量之间的导数矩阵，可以用于计算状态变量的边缘概率分布。通过计算雅可比矩阵，可以将非关键状态变量从状态估计中消除，并更新系统的状态估计。

总之，边缘化分析是vins-mono系统中的一个重要步骤，可以用于优化状态变量并更新系统的状态估计，从而实现相机的定位和建图。

VINS-mono中的marginlaizaition.cpp的滑窗部分的代码

VINS-Mono中的Marginalization.cpp文件中的滑窗代码如下所示：

for (int j = 0; j < _pre_integration_vec.size(); j++) {
    if (_pre_integration_vec[j]->sum_dt > _repropagation_threshold) {
        if (j == 0) {
            continue;
        }
        delete _pre_integration_vec[j - 1];
        _pre_integration_vec.erase(_pre_integration_vec.begin(), 
                                    _pre_integration_vec.begin() + j - 1);
        j = 0;
    }
}

if (_pre_integration_vec.size() > 2) {
    // sort imu measurements
    sort(_pre_integration_vec.begin(), _pre_integration_vec.end(),
         [](const IntegrationBase *p1, const IntegrationBase *p2) {
             return p1->sum_dt < p2->sum_dt;
         });

    // remove the oldest pre-integration
    IntegrationBase *pre_integrations = _pre_integration_vec.front();
    _pre_integration_vec.pop_front();
    delete pre_integrations;

    // create new marginalization factor
    MarginalizationFactor *marginalization_factor =
        new MarginalizationFactor(_pre_integration_vec.front(), i);
    _marginalization_factors.push_back(marginalization_factor);

    // update Jacobian and residual
    for (int j = 0; j < _pre_integration_vec.size(); j++) {
        if (j != 0) {
            _pre_integration_vec[j]->repropagate(
                _pre_integration_vec[j - 1]->delta_q,
                _pre_integration_vec[j - 1]->delta_v,
                _pre_integration_vec[j - 1]->delta_p);
        }
        _pre_integration_vec[j]->compute_jacobian();
        marginalization_factor->add_information(
            _pre_integration_vec[j]->jacobian,
            _pre_integration_vec[j]->residual);
    }
}

其中，变量`_pre_integration_vec`是一个存储IMU预积分量的vector，而`_marginalization_factors`存储的是边缘化因子。该代码实现了Marginalization Factor的滑窗策略，根据预积分时间的累积和来判断是否需要删除旧的预积分量，然后创建新的边缘化因子，并更新其Jacobian矩阵和残差。