VIO算法introduction（一）

即视觉惯性 Odometry（VIO）是通过摄像头和惯性测量单元协同工作实现了自主导航技术的一种方法。其主要应用于手机增强现实、无人机高精度地图以及无人机领域等前沿科技方向中。如何评估该技术的现状？其理论基础已经非常完善。然而纯靠 VIO 单独完成精确的定位任务的应用场景相对有限。其中手机增强现实是唯一能够依赖 VIO 实现精准定位的应用领域。自动化驾驶、无人机以及移动机器人等则基本未见全靠 VIO 驱动的实际应用。

我把VIO分成前端和后端两个部分。顺便总结一下知识点。

一：视觉和IMU前端数据处理

对于视觉前端做法基本分为三种：

①特征点提取（feature detection）+根据描述子匹配特征点

主流算法ORBSLAM与OKVIS等均采用了这一算法框架，在其运行过程中具有显著的优势。这种优势源于其独特的设计理念——通过使用描述子技术使得地图重建过程更加高效便捷（具体表现为可实现重定位、闭环优化及全局优化）。值得注意的是这一特点尤其适用于室内场景，在这种环境中当视觉共视关系较为密集时该方法能够显著提升定位精度并增强定位过程中的稳定性保障。然而该方法也存在一定的局限性：在实际应用中需要对每帧图像进行特征点提取进而生成相应的描述子这一过程虽然能有效反映场景特征但也带来了计算资源消耗增加的问题（事实上即使在性能较弱的手机端（如1080P分