标题：An Online Initialization and Self-Calibration Method for Stereo Visual-Inertial Odometry

期刊：IEEE TRANSACTIONS ON ROBOTICS（SCI 2区）

注1：文末附【SLAM】交流群

注2：整理不易，请点赞支持！

作者：Amber | 来源：3D视觉工坊微信公众号

【摘要】

视觉惯性里程计(VIO)的在线初始化和自标定方法大多只能估计一个相机和惯性测量单元(IMU)对之间的外部参数(方向和平移)。其并不适用于双目VIO（相机-IMU和相机-相机同时存在）。这篇论文中，通过利用多传感器之间的几何约束解决了这个问题。论文提出了一种在线的算法用于估计速度、重力、IMU偏置的初始化，同时标定相机-相机和相机-IMU之间的外参。算法包括一个三步过程，用粗-精的方式增量地求解了几个线性方程。算法反向传播历史估计结果，以更新权重因子和删除离群值，并使用收敛标准来监视和终止进程。同时包括一个可选的全局优化用于进一步的细化。该方法在精度、鲁棒性、收敛性、一致性和可调参数方面使用模拟和公共数据集进行评估。实验结果表明，该方法能够准确地估计初始值和外部参数。

【主要内容】

1、论文贡献

1）我们首先提出了一种在线引导基于平滑的双目-VIO系统的方法，可同时估计初始值和标定相机-相机、相机-IMU的外部参数；

2）提出了一种三步渐进求解约束的方法，并利用反向传播机制更新权重和处理离群值；

3)为了使估计误差最小化，提出了一种全局优化方案。

4)提出了一种判别收敛性和触发终止的通用收敛准则。

论文的算法在ORB-SLAM上进行改进，同时可应用于任何基于关键帧的VO

2、整体系统结构分析

算法结构如下图所示：

算法主要包括三个模块：关键帧生成模块、在线初始化模块、尺度更新和全局BA模块。

关键帧生成模块：包括两个并行的单目VO前端，该模块对捕获的图像进行处理，并输出基于稀疏映射点的同步关键帧。

在线初始化模块：包括3步过程，在每一步都求解了几个线性方程。第一个过程：解耦了陀螺仪偏差估计和外部方向标定，并进行迭代求解；第二个过程：大致估计两个前端的视觉尺度因子，重力，以及相机- imu和相机-相机对的外部平移；第三个过程：进一步考虑了加速度计的偏置和重力加速度的大小，从而改进了第二个过程的结果

尺度更新和全局BA模块：检索所有关键帧的速度，更新关键帧姿态的比例和构造的映射，并重新计算预积分项，以纠正加速度计的偏差，同时，提供了全局优化选项(GBA)来优化系统状态

3、在线初始化模块剖析

1)迭代陀螺仪偏置估计和方向标定

假定初始化阶段，陀螺仪偏置为常数（一般通过最小化相机旋转和IMU旋转之间的差来估计）

步骤：

重复迭代过程，直至收敛

超定线性方程：

求解（SVD分解求最小二乘）：

求解超定方程：

优化尺度、重力和平移参数：

求解：

4、实验分析

进行了仿真实验和真实世界的实验来对算法进行测评。

1）仿真实验

在仿真实验中，设计了一种以3米为半径的圆周运动轨迹为垂直正弦运动轨迹的IMU。通过计算参数化轨迹的解析导数，加上白噪声和缓慢时变偏置，得到仿真的IMU输出。模拟的相机姿态是通过使用模拟的相机- imu和相机-相机外部参数的变换获得的。

2）现实世界实验

备注：作者也是我们「3D视觉从入门到精通」知识星球特邀嘉宾：一个超干货的3D视觉学习社区

本文仅做学术分享，如有侵权，请联系删文。

3D视觉工坊-人体姿态估计交流群

已建立3D视觉工坊-SLAM微信交流群！想要进SLAM学习交流群的同学，可以直接加微信号：CV_LAB。加的时候备注一下：SLAM+学校+昵称，即可。然后就可以拉你进群了。

强烈推荐大家关注3D视觉工坊知乎账号和3D视觉工坊微信公众号，可以快速了解到最新优质的3D视觉与SLAM论文。