基于加权预积分和快速初始化的惯性辅助单目前端模型

针对单目视觉惯性定位系统在复杂环境和相机高动态条件下的实时性和高精度的需求,提出了一种基于加权预积分和快速初始化的惯性辅助单目前端模型Improved_VIO。首先同步视觉和惯性测量数据,建立高精度的IMU加权预积分模型,为联合初始化和视觉跟踪模型提供帧间运动约束;然后构建视觉惯性融合状态向量,建立联合初始化模型,实现视觉惯性松耦合的快速联合初始化;最后在IMU加权预积分和快速初始化方法的基础上,建立一套惯性辅助的视觉跟踪模型,从而有效提高系统定位精度。在EuRoC数据集上的试验结果表明,与传统视觉惯性定位前端模型相比,本文的前端模型提升了单目视觉惯性定位的精度与实时性,初始化时间缩短至10 s内,定位精度提高了约30%。

单目VIO中基于加权预积分的IMU辅助跟踪方法

预积分和跟踪模型是VIO中的重要部分,提高预积分精度和保持跟踪模型的稳定性对视觉惯性定位系统的结果和鲁棒性具有重要意义。文中提出一种面向视觉惯性定位的加权预积分和IMU辅助跟踪方法,对连续的IMU数据进行加权预积分,同时讨论噪声和偏差的影响。IMU辅助跟踪时,由IMU加权预积分结果确定初始化阶段中当前帧的初始旋转,待初始化结束后,在提供的初始位姿中加入IMU加权预积分的先验速度信息。采用公开的EuRoC MAV数据集进行验证。结果表明,本文方法能更好地利用角速度和加速度测量值,与现有的预积分技术相比显示出很大地改进,同时结合IMU辅助跟踪方法有效提高系统的鲁棒性。系统定位精度控制在0.1 m左右,其精度相比于改进前的定位模型提高约30%。