今天介紹的文章是“Robust initialization of monocular visual-inertial estimation on aerial robots”——用于無人機單目視覺慣性估計的魯棒初始化方法，該文章是香港科技大學(xué)沈邵劼老師的一篇經(jīng)典文章，發(fā)表在ICRA2017。

　　由于視覺慣性系統(tǒng)的非線性，無論是基于濾波或基于圖優(yōu)化的方法，其估計器的性能都嚴(yán)重依賴于初始值的準(zhǔn)確性。一旦初始化不良，不僅會降低收斂速度，甚至導(dǎo)致錯誤的估計。因此，魯棒的初始化算法，對六自由度無人機的安全飛行而言是至關(guān)重要的。

　　但是，實際過程中，視覺慣性系統(tǒng)很難得到準(zhǔn)確的初始狀態(tài)。一方面，單目相機的尺度信息不能直接觀測得到；另一方面，需要非零加速度的運動來初始化尺度信息。但在時間有限的搜救任務(wù)中，當(dāng)MAV靜止不動或者以固定模式運動時，這種初始化方法便會失效。不依賴無人機運動的先驗知識，便能快速啟動并初始化估計器是十分必要的。另外，在快速運動或強烈的光照變化下，視覺算法很難提取出豐富的特征點。一旦特征點跟蹤丟失，估計器便會失效。因此，研究能在飛行中魯棒初始化估計器的方法是必要的。

　　本文作者提出了一個魯棒的估計器初始化算法，能夠在飛行時為單目視覺慣性系統(tǒng)（VINS）提供高質(zhì)量的初始狀態(tài)。

圖1.(a)本文方法初始化過程的結(jié)構(gòu)圖。(b)用于室內(nèi)閉環(huán)實驗，帶前置相機的四旋翼飛行器。

　　如圖1所示，視覺部分執(zhí)行運動恢復(fù)結(jié)構(gòu) （Structure from Motion，SfM），建立相機姿態(tài)與特征點位置關(guān)系的結(jié)構(gòu)圖。IMU部分做預(yù)積分約束，得到尺度信息。將兩部分結(jié)果對齊，可以校正陀螺儀偏差，并得到非線性緊耦合優(yōu)化框架中的公制尺度，速度，重力矢量的初值。作者的方法可以無需知道任何關(guān)于系統(tǒng)狀態(tài)和運動的先驗信息，便能在各種情況下成功初始化。

　　最后，作者通過無人機公共數(shù)據(jù)集和實物實驗中驗證了本文算法的有效性。值得一提的是，非常感謝沈老師將很多論文的源碼開放供大家學(xué)習(xí)，本文算法鏈接：https://github.com/qintony/M-VINS

圖2.本文算法在EuRoC數(shù)據(jù)集上的運行結(jié)果。

圖3.本文算法在室內(nèi)/室外實驗結(jié)果。Groundtruth分別采用OptiTrack和GPS的結(jié)果。