|期刊分享|SLAM|无人机上单目视觉稳健初始化估计方法

编者序：本文是香港科技大学沈邵劼老师的一篇经典文章，沈老师在单目视觉与IMU融合的SLAM方面做了大量优质工作且在GitHub上提供了相关源码。传感器器融合中，初始化是至关重要的一项工作，本文理论焦点在于如何快速稳健初始化，但该部分水太深，编者理解有限，推荐看原文。

推荐指数 ☆☆☆☆☆

一、引言

微型无人机的需求越来越广泛，最近出现了空中拍摄、调查研究和搜救方面的应用。精确的状态估计是自主飞行的核心基础。许多基于单目、双目和RGBD相机及激光雷达的的定位算法在无人机上成功应用。一些应用中，受限于成本和功耗，机上的传感器数量非常有限。单目视觉惯性系统，仅含一个相机和一个低成本IMU，具有尺寸小、重量轻、低功耗的特点，已经成为一种非常有吸引力的选择。单目视觉惯性系统具有在没有GPS信号的环境中自主飞行的能力，是非常值得研究的。

稳健的状态估计是复杂环境无人机飞行的核心能力，由于视觉惯性系统的非线性，单目估计器的性能严重依赖于初始值（重力、速度、偏差和特征深度）的精度。不好的初始化会降低收敛速度甚至导致完全错误估计。尤其对拥有6自由度的无人机来讲，精确初始值是至关重要的。然而，获取精确的初始状态对单目视觉系统来讲并不容易：一方面，单目星级不能直接観测到尺度值；另一方面，初始化尺度值时需要非零加速运动。这会导致非平凡但是未知的初始attitude（重力向量）和速度。尤其是在时间约束的救援任务中，静止或按某种特定模式飞行进行初始化是不可取的，需要能快速起飞MAV，并不利用运动的先验信息初始化估计器。此外，视觉算法在快速运动或光照强烈变化时会失效，导致跟踪失败。这暗示着研究飞行中自动重新初始化是必要的，这是我们研究能够在飞行中初始化恢复所有关键状态的稳健系统的动机。

本文提出了一种飞行中初始化的单目视觉惯性系统初始化方法，初始速度、重力向量、尺度和陀螺仪偏差在初始化阶段校正。首先执行仅视觉的运动恢复结构（structure from motion，SfM），然后大致对齐IMU测量值和SfM结果以或得初始状态。本文的贡献主要是两方面：（1）该方法能够在飞行中初始化，从而为非线性优化系统提供精确初始值；（2）在系统方面，将该方法应用于基于划窗的单目视觉惯性系统。

二、算法总览

本文算法的动机是：无论松耦合还是紧耦合方法，都需要精确的初始估计以激活单目视觉惯性非线性系统。一方面，单目相机获取不了绝对尺度和速度；另一方面，初始化尺度需要非零加速运动，导致非平凡但未知的初始重力向量和速度。隐藏在IMU积分中的尺度信息很容易受噪声和偏差的影响。视觉和惯性测量时互补的，一个代表了上规模的全局结构，另一个包括了变量的增量信息，没有一个好的初始估计，很难将它们直接融合在一起。短时间的运动常常并不能驱动整个系统完全可观测。基于滤波的融合方法常常运行一段时间直到收敛；基于优化的方法在光束内保持长时间的测量，然后同时优化这些状态。坏的初始值将会导致基于滤波的方法不收敛，导致基于优化的方法收敛至局部最小。一般地，将最开始几秒的IMU测量值的平均看做重力向量，而IMU积分结果看做初始猜想。然而，这种处理当IMU测量受到非平凡偏差或加速运动时是不合适的。因此需要稳健的初始化过程。

仅单目的视觉SLAM或SfM比视觉惯性融合稳定的多。事实上，构建仅视觉的上规模结构并不依赖于上述任何初始状态，必要的初始值可以通过与IMU对齐提取。因此，我们采用松耦合视觉惯性初始化过程获得初始状态。本文算法的处理流程如下图所示，首先构建仅视觉的结构，然后将它与IMU预积分对齐以恢复初始值。

三、实验

本文算法在EuRoC数据集上的运行结果如下所示。

请点击此处输入图片描述请点击此处输入图片描述

本文算法在室内和室外实测结果分别如下图所示，ground truth 分别通过OptiTrack系统和GPS。

强烈推荐拜读原文，感觉做的工作真的很扎实。

英文名称：Robust Initialization of Monocular Visual-Inertial Estimation on Aerial Robots

链接：

http://www.ece.ust.hk/~eeshaojie/iros2017tong.pdf

死磕自律，遇见更好的自己；自斩双臂，方能长出强两翼。

败而不弃，潜龙勿用待时机；执着坚毅，飞升上神创奇迹！

关注该头条号，一起创造奇迹。