Tightly-coupled Fusion of Global Positional Measurements in Optimization-based Visual-Inertial Odome

文章目录

  采用了基于滑动窗口的优化方法，在VIO紧耦合的框架中加入了全局传感器作为约束，在改善定位精度的同时，没有破坏算法的实时性。
  从实验来看室外场景引入GPS信息获得了比较不错的效果提升，但问题在于室内如何获得廉价的全局观测，文中通过动作捕捉装置真值加上高斯噪声模拟的方式不能证明所提方法在室内的可行性。
J V ( X ) = ∑ k = 0 K − 1 ∑ j ∈ J k ∥ e v j , k ∥ W v j , k 2 + ∑ k = 0 K − 1 ∥ e i k ∥ W i k 2 + ∑ k = 0 K − 1 ∑ j ∈ G k ∥ e g j , k ∥ W g k 2 + ∥ e p ∥ 2 J_{V}(\mathcal{X})=\sum_{k=0}^{K-1} \sum_{j \in \mathcal{J}_{k}}\left\|\mathbf{e}_{\mathbf{v}}^{j, k}\right\|_{\mathbf{W}_{\mathbf{v}}^{j, k}}^{2}+\sum_{k=0}^{K-1}\left\|\mathbf{e}_{\mathbf{i}}^{k}\right\|_{\mathbf{W}_{\mathbf{i}}^{k}}^{2}+\sum_{k=0}^{K-1} \sum_{j \in \mathcal{G}_{k}}\left\|\mathbf{e}_{\mathbf{g}}^{j, k}\right\|_{\mathbf{W}_{\mathbf{g}}^{k}}^{2}+\left\|\mathbf{e}_{\mathbf{p}}\right\|^{2} JV​(X)=k=0∑K−1​j∈Jk​∑​∥∥​evj,k​∥∥​Wvj,k​2​+k=0∑K−1​∥∥​eik​∥∥​Wik​2​+k=0∑K−1​j∈Gk​∑​∥∥​egj,k​∥∥​Wgk​2​+∥ep​∥2
  整体的优化代价函数由视觉，IMU，全局测量和边缘化残差四个部分构成。
  全局测量和相机的约束由全局测量的误差模型和观测时间差之间的IMU预积分组成。