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沈邵劼老師的一篇經典文章，發表在ICRA2017。
由于視覺慣性系統的非線性，無論是基于濾波或基于圖優化的方法，其估計器的性能都嚴重依賴于初始值的準確性。一旦初始化不良，不僅會降低收斂速度，甚至導致錯誤的估計。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重要的。
但是，實際過程中，視覺慣性系統很難得到準確的初始狀態。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中，當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（VINS）提供高質量的初始狀態。
圖1.(a)本文方法初始化過程的結構圖。(b)用于室內閉環實驗，帶前置相機的四旋翼飛行器。
如圖1所示，視覺部分執行運動恢復結構 （Structure from Motion，SfM），建立相機姿態與特征點位置關系的結構圖。IMU部分做預積分約束，得到尺度信息。將兩部分結果對齊，可以校正陀螺儀偏差，并得到非線性緊耦合優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于系統狀態和運動的先驗信息，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據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習，本文算法鏈接：https://github.com/qintony/M-VINS
圖2.本文算法在EuRoC數據集上的運行結果。
圖3.本文算法在室內/室外實驗結果。Groundtruth分別采用OptiTrack和GPS的結果。
?