实时视觉惯性里程计中的预积分技术解析

" MomentaPaperReading7_预积分_高翔，深入探讨了视觉惯性里程计（VIO）中IMU预积分技术的论文解读，由高翔分享。" 这篇论文阅读聚焦于实时视觉惯性 odometry (VIO) 的核心算法——IMU预积分。VIO 是一种融合视觉传感器（如相机）和惯性测量单元（IMU）数据的定位技术，用于实时估计设备的运动。IMU提供角速度和加速度数据，而视觉传感器则通过图像分析获取环境信息。 IMU具有快速响应和较少依赖外部条件的优点，但存在漂移问题。相比之下，视觉信息丰富，不易漂移，但容易受到光照变化、遮挡、图像模糊或快速运动等因素的影响。VIO通常采用紧耦合方法，即视觉和IMU数据共同估计运动状态，这通常通过滤波、局部平滑或全局优化等手段实现。 论文介绍了旋转和平移的数学表示，其中旋转在流形上，其原点的正切空间是李代数，与李群之间存在指数和对数关系。这里采用了右乘的SO(3)表示旋转，并提及了伴随性质。此外，还简要提到了SLAM（Simultaneous Localization And Mapping）中的非线性优化和图优化。 IMU测量的是角速度和加速度，同时，其内部存在随机游走的偏置。状态变量包括这些测量值以及可能的偏置和噪声。 预积分是解决仅凭IMU数据无法准确估计偏置问题的关键。它通过积分形式的动力学模型，将连续时间的运动转换为离散时间的表达，并利用IMU观测值来描述两个关键帧间的关系。在两个关键帧之间，多个IMU数据点被整合起来，形成预积分测量模型。 这个测量模型考虑了IMU噪声和偏置的影响。首先，假设偏置不变，仅讨论噪声，然后逐步引入偏置的动态变化。预积分的运动模型与观测模型之间的差异由噪声项表示，这些噪声项在第一阶近似下可以近似为高斯分布，这是非线性优化中常见的假设。 预积分的概念使得VIO系统能够在没有视觉数据时仍然能够进行一定程度的运动估计，提高了系统的鲁棒性和效率，尤其是在视觉条件不佳的环境下。通过预积分，VIO系统可以在实时环境下更精确地估计设备的运动轨迹。