VINS-闭环检测与优化解析

"闭环检测-4_1_alios things网络篇之netmgr" 本文主要讨论的是视觉惯性里程计（Visual-Inertial Odometry, VIO）系统中的闭环检测和优化，这部分是确保VIO系统长期精度和鲁棒性的重要环节。VIO系统结合了图像数据和IMU传感器数据，通过实时估计设备的运动轨迹。闭环检测能够检测到系统是否回到了之前经过的位置，从而修正累积的定位误差。 1. **闭环检测** - VINS（Visual-Inertial Navigation System）系统采用BRIEF描述子和DBoW2词袋方法进行闭环检测。首先，由于前端的Harris角点数量有限（约70个），系统会在后端非线性优化刚处理完的关键帧上重新检测500个FAST角点，增强闭环检测的可靠性。 - 这些新旧角点会进行BRIEF描述，随后计算当前帧与词袋模型的相似度得分，并与关键帧数据库中的所有帧进行比较。TemplatedLoopDetector::detectLoop函数用于寻找可能的闭环候选帧。 2. **闭环一致性检测** - 当找到闭环候选帧后，系统会使用BRIEF描述子进行点匹配，通过KeyFrame::searchInAera找到当前帧与闭环候选帧之间的对应点。接着，使用RANSAC算法排除异常匹配点（KeyFrame::PnPRANSAC），当匹配点数量超过设定阈值时，认为闭环检测成功。 3. **闭环优化** - 闭环检测后，系统会执行闭环优化，修正轨迹，以消除因重复路径导致的定位漂移。优化过程通常包括对所有受影响的关键帧进行非线性优化，考虑视觉和IMU的约束，确保优化结果的全局一致性。 4. **IMU预处理和预积分** - 在VIO中，IMU数据的预处理和预积分是关键步骤，涉及PVQ（Position-Velocity-Quaternion）的连续和离散形式的计算，以及误差和协方差的分析，这些都直接影响到后端优化的性能。 5. **后端非线性优化** - 后端优化的目标函数包括视觉和IMU约束，状态向量包含相机姿态、IMU偏置等信息。通过最小化这个目标函数，可以修正系统估计的轨迹，提高定位精度。 6. **前端视觉处理** - 前端主要负责特征点检测和跟踪，为后端优化提供基础。特征点检测如FAST角点，特征点跟踪确保在不同帧间保持一致性的点匹配。 7. **初始化** - 系统初始化包括相对姿态估计、全局SFМ构建、PnP问题求解以及初始对齐，这些都是为了获取准确的初始状态估计。 8. **边缘化和FEJ** - 边缘化是VIO中的一种重要技术，它通过丢弃某些不重要的变量来降低优化问题的维度，而FirstEstimateJacobian（FEJ）则用于快速估计系统状态。 9. **其他策略** - 包括选择关键帧的策略、后端优化后的变量更新以及在丢失跟踪后如何进行多地图融合，这些都是确保系统稳定性和鲁棒性的重要细节。 闭环检测和优化是VIO系统中的关键技术，它们能够识别并纠正系统的定位漂移，从而提高长期定位的准确性。理解并实现这些过程对于开发高效稳定的VIO系统至关重要。