接着上篇:从零手写VIO——(三)基于优化的 IMU 与视觉信息融合(上篇) 再次说明一下,本博客目前只是我在看深蓝时记录的,当然会有很多 PPT 上的内容,加上一点自己学的时候的理解,或者补全没有写全的推导,目的是能够留下一个电子形式的资料,直接目的是留给自己之后反复查看。每次视频我都是一点点啃下去的,属实对我这种本科生并不友好(本科大牛请绕路),所有内容都是一点点用 LaTeX 打上去的,不是截图搬运。也感谢贺博、高博及深蓝的精美课程!
VIO 残差函数的构建
带权重的残差计算
其中,
服从高斯分布,协方差为
。
- 协方差 用来 归一化,多传感器融合 单位不统一,如:PnP的误差方程的单位是像素,即实际像素点和理论像素点之间的误差;IMU 的误差单位为米( )和 度( )。
- 权重。协方差越小代表数据越集中, 就越大,代表权重越高。如说残差方程相差大,协方差大,说明可能存在误匹配 – 坏值,那么 较小权重低。
基于滑动窗口的 VIO Bundle Adjustment
高博的视觉SLAM十四讲里,对滑动窗口理论没有做过多的讲述,从上式(19)
是先验,是后入数据时扔掉的前数据转化成的part,
和
是新窗口内数据的残差方程,
是上篇提到的鲁棒核函数。 定义优化的系统状态量:
- 是 时刻 IMU 在惯性坐标系中的位置,姿态,速度,IMU 机体坐标系下加速度和角速度的偏置量估计。 是 时刻的观测点。
- 分别是滑动窗口里机体状态量和观测路标的起始时刻。N 代表状态量在窗口内的关键帧数,M 是窗口内所有关键帧观测到的路标点数。
视觉重投影误差
一个特征点在 归一化相机坐标系 下的估计值和观测值的差。
其中,待估计的状态量为特征点的三维空间坐标
,观测值
为特征在相机归一化平面的坐标。
逆深度参数化 Inverse Depth Parametrization
特征点在 归一化相机坐标系 与 相机坐标系 下的坐标关系为:
其中
称为 逆深度[1]。逆深度更容易表示无穷远处的点,当
,可以用来表示无穷远处;且
更接近正态分布。在实际应用中,逆深度也具有更好的数值稳定性。 特征点逆深度在第
帧中初始化得到,在第
帧又被观测到,预测其在第
中的坐标为:
这里的变换矩阵其实就是先从一帧的相机坐标系
这帧的 IMU body 坐标系
World 坐标系
另一帧的 body 坐标系
另一帧的相机坐标系。第一帧的 u-v 是可以通过亚像素的方法配准的,故用
这一个参数表示第一帧的观测。 视觉重投影误差为:
IMU 测量值积分
IMU 的真实值
,测量值为
,则有:
上标
表示 gyroscope,
表示 Accelerometer,
表示世界坐标系 world,
表示imu 机体坐标系 body。 PVQ 对时间的导数可写成:
从第
时刻的 PVQ 对 IMU 的测量值进行积分得到第 j 时刻的 PVQ:
目标→解决:每次
优化更新,都需要对之后时间线上的重新积分。
IMU 预积分[2]
积分模型到预积分模型:
那么,PVQ 积分公式中的积分项则变成相对于第
时刻的姿态,而不是相对于世界坐标系的姿态:
预积分量
预积分量仅仅跟 IMU 测量值有关,它将一段时间内的 IMU 数据直接积分起来就得到了 预积分量:
PVQ 的积分公式:
认为短时间内的 bias 是不变的。 预积分误差:一段时间内 IMU 构建的预计分量做为测量值,对两时刻之间的状态量进行约束。
表示只取四元数的虚部
组成的三维向量,
是预积分估计值,四元数
的结果是
即
代表转角
接近0,这里只取出 xyz 就是取出旋转角的残差乘以2得到
。等号左边每项都是一个三维度的共十五维,除四元数外,其他项均为 j 处世界坐标系下的真值减去 预积分以外的估计值(通过
从世界坐标系转换到 i 坐标系),再在 i 坐标系下与预积分值相减得到预积分误差。
预积分的离散形式
这里使用中值法,即两个相邻时刻 k 到 k+1 的位姿用两个时刻的测量值
的平均值计算:
测量数据
都减去了 bias 可以用过标定获得,bias 服从随机游走,故有了后两个式子。随后的目的是 如何求算离散形式的多个 IMU 数据积分形成的累计预积分量的协方差。
协方差的传递 Covariance Propagation
已知
,则有
,证明其实在之前提过:
假设已知相邻时刻误差的线性传递方程:
比如:状态量误差为
,测量噪声为
。 误差的传递由两部分组成:当前时刻的误差传递给下一时刻,当前时刻测量噪声传递给下一刻。 协方差矩阵可以通过递推得到:
其中,
是测量噪声的协方差矩阵,方差从 i 时刻开始递推,
;Allan 方差计算出了测量噪声的方差量级。
状态误差线性递推公式的推导
- 基于一阶泰勒展开的误差递推方程。
- 基于误差随时间变化的递推方程。
基于一阶泰勒展开的误差递推方程
令状态量为
,其中,真值为
,误差为
。另外,输入量
的噪声为
。 非线性系统
的状态误差的线性递推关系如下:
其中,
是状态量
对状态量
的雅可比矩阵,
是状态量
对输入量
的雅可比矩阵。 对非线性状态方程进行一阶泰勒展开有:
基于误差随时间变化的递推方程
如果能够推导状态误差随时间变化的导数关系,如:
则误差状态的传递方程为:
对比两个方法有:
为什么会有误差随时间变化这种方法?
因为 VIO 系统中已知状态的导数和状态之间的转移矩阵。比如说速度的导数与状态量之间的关系:
那么就可以推导速度的误差和状态误差之间的关系,再每一项上都加上各自的误差就有:
预积分的误差递推公式推导
白噪声的值不能像 bias 一样估计,故白噪声不能像 bias 一样减去。 下面误差的 Jacobian 是,在递推公式(
用了中值法)等式左右分别对偏导分子分母加上一个误差
后求出该 Jacobian。对于
是用
。
用前面一阶泰勒展开的推导方式,我们希望推导出误差的递推公式:
为两个时刻间的协方差传递矩阵,
表示各时刻的误差。
。
其中系数为:
对部分项做详细推导↓对于导数中与变量无关的项省去:
对各状态量的雅可比推导, 第三行
速度预计分量
的递推计算形式:
:对上一时刻速度预积分量的 Jacobian
:对角度预积分量的 Jacobian
Part 1 对应的雅可比为:
Part 2 对应的雅可比为:
合起来就是(47)中的
。
:速度预积分量对 k 时刻角速度 bias 的 Jacobian
就有了这样的雅可比推导过程:
旋转预计分量的 Jacobian, 第二行
旋转预积分递推公式:
:前一时刻的旋转误差 如何影响当前旋转误差
假设两个时刻的真值是
,不考虑受到角速度 bias 的影响,两时刻的增量
三元组四元数相乘有如下性质(其实就是伴随性质,在李群李代数证明过):
其中
是和
对应的旋转矩阵,
为
的实部,
为
的虚部。
故第 k+1 时刻的旋转预积分的误差相对于第 k 时刻的 Jacobian 为:
残差 Jacobian 的推导
归一化平面视觉残差为:
对于第 i 帧中的特征点,它投影到第 j 帧相机坐标系下的值为:
写成三维坐标形式为:
这里的
是因为是从
的变化,是相反的。此处把旋转和平移拆解开,平移部分为,
的平移部分
会经过三次旋转加平移的变换直到 j 的 camera 坐标系下。 变量定义:
Jacobian 对状态量,外参和逆深度求导:
step 1:先求error对
的导数,与 《视觉SLAM十四讲》不同之处是这里在归一化平面。
step 2: 对 i 时刻的状态量求导。 对位移求导↓
对角度求导↓
只保留与
有关的项:
这里的
即 i 坐标系下的坐标转换到 world 坐标系下。 Jacobian 为:
step 3: 对 j 时刻的状态量求导。 对位移求导↓
负号的原因可以看式(65),
在式中与
相乘,求导固然结果如此。 对角度求导↓
Jacobian 为:
step 4:对 imu 与相机之间的外参求导。 就是对两传感器之间的旋转和平移求导。 对位移求导↓
对角度求导↓Jacobian 为:
step 5:视觉误差对特征逆深度的求导
IMU 误差相对于优化变量的 Jacobian
预积分误差如下图↓ 这里的误差和上部分提到的误差是两码事,我是这么理解的,上部分提到的误差是通过递推 k 到 k+1 时刻间的误差传递;这里的误差是预积分误差,是求出的两时刻的位置、速度与真实值之间的误差。
上式中,
是估计值。 由于 i 时刻的 bias 相关的预积分计算是通过迭代一步一步累计递推的,很复杂。故预积分量直接在 i 时刻的 bias 附近用一阶泰勒展开近似。
对 进行推导:
- 对 i 时刻位移:由于与位移无关,故 Jacobian 为 0;
- 对 i 时刻旋转:
- 对 i 时刻速度: ;
- 对 i 时刻的加速度 bias 的 Jacobian,由于加速度只影响预积分,故 。
对 进行推导:
- 对 i 时刻姿态求导:
这里的
就是提取 xyz 虚部,乘以系数 2,就是微小转动的
,前面有解释。然而(76)式中对分子几个四元数
,取共轭后的
等于在整个式子前加负号。
- 对 i 时刻陀螺仪偏置 :
式中对角速度 bias 求 Jacobian,用一阶泰勒展开的形式,最后矩阵内 1 对
求导为 0。
参考
- ^Civera J , Davison A J , J. M Martínez Montiel. Inverse depth parametrization for monocular SLAM[J]. IEEE Transactions on Robotics, 2008, 24(5):932-945. http://web.mit.edu/2.166/www/handouts/davison_tro2008.pdf
- ^Forster C , Carlone L , Dellaert F , et al. On-Manifold Preintegration for Real-Time Visual–Inertial Odometry[J]. ieee transactions on robotics, 2017, 33(1):1-21. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7557075