王华宇，雷 斌

(武汉科技大学 a.机械传动与制造工程湖北省重点实验室；b.机器人与智能系统研究院，武汉 430081)

0 引言

视觉与惯性导航融合里程计(Visual-Inertial Odometry, VIO)是当前解决SLAM高精地图与多场景适用的主流方案之一。VIO可以根据传感器数据融合框架分为松耦合与紧耦合[1]，也可以根据优化方式分为滤波法与优化法[2]。松耦合忽略不同传感器数据之间的相关性，视觉运动估计和IMU运动估计结果相互独立，将估计结果进行融合，损失了部分数据信息，精度较低；紧耦合则使用不同传感器原始数据共同进行估计，一次性建模所有的运动和测量信息，更容易得到最优结果，是目前研究的重点。

MSCKF[3]是基于卡尔曼滤波的紧耦合方法，将多帧图像的相机位姿加入卡尔曼状态向量。该方法鲁棒性高，计算复杂度低，但没有全局优化和回环检测。MSF[4]是基于滤波法的EKF松耦合框架，该方法极大地提升了系统运行速度，系统拓展性好，可接入GPS、激光雷达、码盘等其它传感器，但精度很差。ROVIO[5]是基于稀疏图像块和EKF滤波的VIO，惯性测量用于状态传递过程，视觉信息用于更新；其速度与MSCKF相似，精度较高，计算量小，但不同设备需要调整参数，没有回环检测。OKVIS[6]将视觉观测与IMU观测一起优化求解位姿与3D地图点，前端采用Harris角点检测和BRISK特征描述子进行匹配，计算资源消耗大，不支持重定位和闭环检测。该方法采用紧耦合策略和非线性优化，精度高但速度慢。

VINS-Mono[7]在精度上可以媲美OKVIS，具有比OKVIS更加鲁棒和完善的初始化以及闭环检测过程。……