A Benchmark Comparison of Monocular Visual-Inertial Odometry Algorithms for Flying Robots
飞行器单目VIO算法测评
算法方面总结：
MSCKF算法：
优点：成功完成了所有序列，不受硬件平台影响，鲁棒性高。
缺点：太古老不考虑。新型算法以同样资源消耗获取更高的精度。
OKVIS：
优点：全平台保持精确，综合精确度与成功率仅次于VINS-Mono。
缺点：运算量大，帧更新率低，低配置平台失败率高，尤其在ODROID上。对运算能力敏感。
ROVIO：
优点：精确度高，占用资源量稳定且固定。
缺点：对CPU主频敏感，无法在Up Board上运行。
VINS-Mono：
优点：考虑回环检测时最为精确，不考虑回环检测时通常最为精确。
缺点：资源使用率高（指使用回环检测时），回环检测无法在低运算能力硬件，如ODROID上运行。
SVO-MSF：
优点：效率最高
缺点：不适合。需要手动初始化，精度低。
SVO-GTSAM：
优点：精度高，仅次于使用回环检测时的VINS-Mono，效率也较高。
缺点：不适合。鲁棒性低，对图像质量敏感，成功率低，占用资源多。
硬件方面总结：
Intel NUC：条件允许的情况下的最佳选择。
Up Board：CPU主频最低，使用时考虑到大部分算法均对CPU主频较为敏感，其中ROVIO无法在该平台使用。运算能力尚可。
ODROID：CPU主频较低，可以满足所有算法的运行要求。运算能力差，使用时需考虑到部分算法运算量较大，其中VINS-Mono: 无法在该平台使用回环检测，OKVIS在该平台成功率极低。
综上所述，以下分为三种情况。
一、条件允许的情况下，在硬件平台的选取上最佳选择为Intel NUC，该平台下，若运算资源可以向视觉惯性测距算法倾斜时，选取VINS-Mono以获取最佳精度，同时需考虑其他模块时选取折衷的ROVIO，要求效率最大化精度要求低时考虑SVO-MSF算法。
该硬件平台需求较高的安装空间（尺寸最大），载重能力和电池电量（功率最大，为其他平台的两倍之多）
二、使用Up Board平台时，由于CPU主频极低，无法使用ROVIO算法。同一，VINS-Mono依然为最高精度算法，资源占用率也极大。折衷考虑的选择为OKVIS算法，该算法成功率与精度综合考虑仅次于V-M算法，资源占用率也更低。最高效率的选择同一中所述。
该平台为64位，尺寸略小于Intel NUC，功率仅有其一半不到。
三、当使用ODROID算法时，由于CPU主频较低，运算量最差，无法使用V-M算法的回环检测，OKVIS算法由于运算量大在该平台下成功率也较低。尽管如此，追求最佳精度的选择依然为V-M算法。折衷选择与最佳效率选择同一中所述。
该平台为32位，尺寸最小，功率最小，但均与Up Board相近。值得注意的是质量仅有59g。
注：以上所述最优先考虑条件为成功率。当仅在平稳环境中运行时可以考虑SVO-GTSAM算法，该算法在简单平稳的环境中有着最为出色的综合表现。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
