vins mono的4自由度位姿图优化运行在单独的线程中,当系统检测到回环时,开始优化关键帧位姿,由于vins系统IMU的使用,使得位姿估计只有4自由度不客观,分别是3自由度的平移和1自由度的yaw角,因此估计系统也只有在这4自由度上发生漂移。 下面进行代码分析 m_optimize_buf.lock();while(!optimize_buf.empty()){cur_in...
1、结构体ResidualBlockInfo ResidualBlockInfo由cost_function、loss_function、优化参数块以及需要边缘化参数的索引构成。其内部包含Evaluate函数,该函数通过调用cost_function的Evaluate成员函数和loss_function的Evaluate成员函数,获得残差和雅可比。---**代表图优化中一个约束关系及其约束的节点。**所以同一个节点很呢个...
在vins-mono的新版本中,新增加了relocalize_r、relocalize_t,其作用是,在大回环起作用的间隙,用relocalize_r、relocalize_t来对位姿进行及时的修正,以更好地保证输出位姿的准确性,以及关键帧输入到关键帧数据库里时的位姿的准确性。因为以前是要等回环帧的对应帧滑出窗口,大回环优化后,才对这两个位姿进行校正...
论文《VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator》地址:https://arxiv.org/pdf/1708.03852.pdf 系列第一节主要目录如下图所示,本文主要介绍总体框架部分。 接下来,我们将对总体框架部分详细介绍。 0. VINS论文总体框架 从上...
针对室外大场景的EXTENDEDVINS-MONO 1.VINS-MOON的速度读数 我们现在讨论VINS-Mono的扩展(使用速度读数进行重新初始化)。VINS-Mono的图优化中的速度因素是直截了当的,这里不做讨论。因为车辆的速度读数通常来自于后轴的中心,我们使用阿克曼模型将原始速度读数转化为安装在车辆前部的Camera-IMU系统。
【学习笔记】Vins-Mono论文阅读笔记(三) VINS的整个VIO的实现方法,也就是对应的esimator部分的代码内容。理论部分主要介绍三种因子(IMU预积分因子、视觉因子和边缘化因子)的残差构造及雅克比推导 VINS的VIO是基于紧耦合框架实现的,其本质就是一个基于滑动窗口的和图优化的VIO...
与最先进的VIO算法OKVIS相比，VINSMono在单目相机应用方面表现出色。总结：VINSMono是一种功能强大的单目视觉惯性状态估计器，通过融合IMU和单目相机数据，实现了高精度六自由度状态估计。它适用于多种应用领域，具有鲁棒初始化、紧耦合单目VIO、回环检测和位姿图优化等关键技术，且系统开源，易于部署和扩展。
本文深入解读VINS-Mono的核心部分——紧耦合非线性优化。紧耦合优化将视觉约束、IMU约束、闭环约束整合在一个大目标函数中，实现滑动窗口内所有帧的PVQ、bias等参数的非线性优化。紧耦合优化的过程包括残差函数构建、视觉约束、IMU约束及基于舒尔补的边缘化操作。构建残差函数时，需要优化的状态量包括滑动窗口...
最后得到图中的线性误差状态传播模型,由此得到IMU预积分测量值的协方差矩阵和雅各比矩阵,预积分的雅各比矩阵直接代入到公式12中计算出更加精确的传播状态值,而协方差矩阵自然是在后端优化中使用。 需要格外注意上面求出的雅各比矩阵是预积分值的雅各比,我们还需要求一个IMU残差的雅各比矩阵,WHAT?还有两个雅各比矩阵,惊不...