SLAM_关于VIO中IMU预积分的讲解

ゝ一世哀愁。 2022-11-16 01:28 379阅读 0赞

**目录**

1. 为什么要做VIO?

IMU与视觉对比

那为什么VIO的初始化会这么难?

2. 预积分

那么我们怎么从IMU的读数中估计位姿呢？

采样频率

Paper 1: Monocular Visual-Inertial State Estimation

Paper 2: VI-ORB

第一步是进行陀螺仪bias的估计。

第二步是进行尺度和重力的估计，

第三步是进行加速度计bias的估计，以及对尺度和重力方向进行进一步修正。

Paper 3: Robust Initialization of Monocular Visual-Inertial Estimation

Paper 4: Camera-IMU Extrinsic Calibration

3. 总结

参考文献

--------------------

# 1. 为什么要做VIO? #

首先我们先简单回顾一下，以及为什么要做VIO初始化。  
我们知道**单目相机**在做SLAM的时候

*  a. 是缺乏实际的**尺度**信息的，而且尺度还会产生漂移。如果缺乏实际的尺度信息，此时的定位信息将**很难进行实际的应用**。
 *  b. 在面对一些**极端环境**的时候或者**突然运动过快**的时候，视觉还可能直接**跟丢**。
 *  c. 还有一点就是，纯视觉的SLAM系统如果不做特殊处理，是无法知道**惯性坐标系**的，视觉SLAM出的pose大多都是基于第一帧为世界坐标系建立的，所以就有可能出现**车明明是在地上开，出的轨迹看上去在朝天上飞**。
 *  d. 最后一点就是视觉SLAM是无法得到一个比较准确的**速度**的。而这个速度对于控制和规划来说是非常重要的。

那这些问题要如何解决呢？VIO就是一种非常优美的解决方式，因为

*  a. IMU可以提供物理世界的**尺度**，
 *  b. **短时间内**也能提供比较准确的**位姿**估计，
 *  c. 还能估计出**惯性坐标系**。

这种互补的性质，让VIO在近几年得到了极大的关注。当然了，VIO这么多的好处不是白来的，是需要付出很多努力的。首先就是初始化这件事情。VIO初始化要干个啥，就是把我们之前所说的**视觉SLAM所缺的东西全部都先估计出来**，包括**尺度**，**重力方向**，**速度**。还有通过**视觉SLAM帮助IMU去搞定bias**。如果这些东西一开始估计的很差，那整个系统的准确性会急剧下降。基于滤波的很可能很快就**发散**得很远了，基于非线性优化的可能经常会陷入**局部最优解**。

## IMU与视觉对比 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70][]

整体上，视觉和 IMU 定位方案存在一定互补性质：

*  IMU 适合计算短时间、快速的运动；
 *  视觉适合计算长时间、慢速的运动。

同时，可利用视觉定位信息来估计 IMU 的零偏，减少 IMU 由零偏导  
致的发散和累积误差；反之， IMU 可以为视觉提供快速运动时的定位。

## 那为什么VIO的初始化会这么难? ##

首先第一点就是，在单目视觉SLAM中，绝对尺度和速度都是无法计算出来的。而要计算尺度和速度，系统就要做**非匀速**的运动。而一旦动起来，**重力方向**相对于当前**相机坐标系的方向**就成了一个未知量，而我们知道**IMU加速度计**的读数是受重力影响的，如果重力方向未知，IMU就无法估计位姿了。而且就算是计算出了重力方向，隐藏在**IMU的尺度信息**通常又会受到噪声和Bias的影响，如果处理不好，尺度也会估的不准。  
在正式进入论文梳理之前，我们再次明确一下VIO初始化到底要解决哪些问题。

*  a. 首先是要估计**尺度**信息，
 *  b. 其次是**重力向量**，包含方向和大小，
 *  c. 之后是**每个pose的速度**，
 *  d. 最后是**陀螺仪**和**加速度计**的**初始bias**。
 *  e. 有些牛一点的VIO初始化，还会顺带把相机和IMU之间的**相对位姿**关系给估计出来，这样就不需要预先对相机和IMU进行外参标定。

最后一点就是要明确，VIO初始化成功的标准到底是什么。

# 2. 预积分 #

**On-Manifold Preintegration for Real-Time Visual-Inertial Odometry**  
那接下来进入我今天要分享的第一篇paper。其实这一篇不是VIO的初始化，而是VIO中最基本的内功心法-预积分。相信熟悉VIO的同学都非常熟悉这篇Paper，特别是基于非线性优化的VIO。预积分这种思路就感觉是武林绝学中的内功心法，OKVIS，VINS-Mono，VI-ORB，VI-DSO都是基于预积分的思想来实现VIO的。

在这里快速地过一遍IMU预积分的论文，回顾一下VIO初始化中需要用到的关于预积分的知识点。

首先我们看一下从IMU中**拿到的数据**到底是什么。它包含**角速度**和**加速度**两部分，它们都是**基于IMU坐标系**。在VIO中通常会存在这么几个坐标系，一个是世界坐标系，一个是相机坐标系，一个是IMU坐标系，同一时刻下相机坐标系和IMU坐标系是刚体连接的，因此相机和IMU之间会有一个包含旋转和平移的外参。世界坐标系通常为第一帧图像的相机坐标系。除此之外，还有一个**惯性坐标系**，在惯性坐标下，重力只作用在Z轴上。在VIO中，通常完成初始化之后会**把世界坐标系转正**，其世界坐标系和惯性坐标系保持一致。我们再仔细看一下等式（27）和等式（28），左边的**角速度**和**加速度**是我们可以直接从IMU中拿到的**度数**，但它与物体**实际的运动物理量**还存在一个**转换关系**。角度速会受到**bias**和**噪声**的影响。加速度除了受到bias和噪声的影响，还会受到重力的影响。  
[![e9195857c45cf70e029dc2520a67afc5.png][]][e9195857c45cf70e029dc2520a67afc5.png 1]

解释（27）t时刻的观测角度 = t时刻的实际角速度 + t时刻的陀螺仪偏差 + t时刻的陀螺仪噪声。 （28）同理，只是多减了一个重力加速度wg.

## 那么我们怎么从**IMU的读数**中**估计位姿**呢？ ##

这就涉及到了运动学模型。我们知道角速度积分得到角度，加速度积分得到速度，速度积分得到平移量。而IMU的读数是离散的，因此会采用累加求和的方式，也就是公式（30），这里的角速度和加速度都是物体实际的运动物理量。因此把上一页的等式带入，可以得到旋转，速度，平移与IMU读数之间的关系。  
[![0230481e00882812c482fdf37856cb2d.png][]][0230481e00882812c482fdf37856cb2d.png 1]

## **采样频率** ##

我们还要注意一个问题就是，相机的**采样频率**是明显低于IMU的采样频率的，相机一般在几十HZ，而IMU可以达到几百HZ，而在SLAM中我们通常是求解每个图像时刻的pose，因此**对两个图像之间的IMU观测进行累加，可以得到i帧和j帧之间的位姿和速度关系**。但是在等式（32）中有个非常让人恼火的事情，就是在更新速度的时候，需要**每个IMU时刻的世界坐标系下的旋转**，在更新平移时，需要**每个IMU时刻世界坐标系下的速度和旋转**。要知道IMU有几百hz的频率，每次都要更新所有状态显然是不合理的。  
[![99df4cee403225200183601aa90e5891.png][]][99df4cee403225200183601aa90e5891.png 1]

这个时候，预积分就从天而降，开始拯救世人。我们可以把目光投射到这个公式（33）上，等式的最右边就是**预积分量**，它与世界坐标系下的旋转和速度是解偶的，只需要通过**IMU的读数**和**前一时刻的预积分量**就可以更新**当前的预积分量**。当然了公式（33）还是有一片乌云的，那就是在**bias变化的时候**需要重新**累加**计算所有的IMU数据得到预积分量，为了降低这个计算量，可以通过公式（44），利用**bias的变化量**来更新预积分量。这个公式（44）在VIO初始化中起到了非常重要的作用，因为它建立**预积分量**和**bias的变化量**之间的线性关系。更多更详细的推导可以参考论文和论文的附录。也可以参考很久之前写过的一篇预积分的[博客][Link 1].  
[![74e482efcf40a940b9ed9a9839912de6.png][]][74e482efcf40a940b9ed9a9839912de6.png 1]  
[![5aedc6f0d7c1a0f62e289ead2749a639.png][]][5aedc6f0d7c1a0f62e289ead2749a639.png 1]

## Paper 1: **Monocular Visual-Inertial State Estimation** ##

**Monocular Visual-Inertial State Estimation with Online Initialization and Camera-IMU Extrinsic Calibration (2017, HKUST)**

这篇论文是2017年，港科大沈老师组里出的一篇paper。要解决的就是VIO的初始化问题。这篇论文的VIO初始化可以求解出尺度，重力，速度和相机和IMU之间的内外参，但是忽略了bias的估计，

第一步，就是要求解相机和IMU之间的旋转。公式（4）是标准的手眼标定公式。如果不熟悉手眼标定算法，可能一时不能理解这个转换关系。这里我暂时先不展开讲，因为到后面的某一篇论文还会再次用到，到那个地方再进行一步一步的推导。我们回到公式（4），![20210402202950772.png][]可以通过预积分得到，![20210402203019569.png][]可以通过5点法计算。公式（4）里面是旋转矩阵，我们用四元数重写公式（4）得到公式（5），把公式（5）的右边减到左边，再用左乘和右乘矩阵来代替四元数，就可以得到公式（5）的下半部分。把多个时刻的旋转都叠在一起，可以构造一个超定方程。  
[![0f1b82343d7c94304f016c9863163178.png][]][0f1b82343d7c94304f016c9863163178.png 1]  
[![8d8a8e329089ef8cc526fa585379f2b1.png][]][8d8a8e329089ef8cc526fa585379f2b1.png 1]  
第二步就有点猛了，要把速度，重力，特征点深度，相机和Camera之间的平移量干出来。这就构造了这里待估计的X状态量，也就是所有需要估计出来的变量。我们来看公式（11），第二项是通过IMU预积分的速度和平移建立的约束项，第三项是视觉观测项，观测误差是其在归一化平面的坐标差。  
我们把IMU观测项和视觉观测项联立在一起，可以得到一个线性方程，如公式（21）。  
[![0ab16f51c234c085548eab885b813bb9.png][]][0ab16f51c234c085548eab885b813bb9.png 1]  
[![9b8fdc5def1c7524b48ab290f8b17d49.png][]][9b8fdc5def1c7524b48ab290f8b17d49.png 1]

简单总结下这篇论文的初始化方式。它其实采用的是一种有点类似于紧耦合的方式，因为视觉特征点的深度、相机的平移是与重力、速度一起估计出来的。所以如果特征点的深度分布的范围比较大的话，很容易估计的不够准确。另外忽略bias很容易会引入误差。目前这种初始化方式除了外参旋转的估计方式还保留在VINS-Mono的代码中，其他已经被舍弃了。

## Paper 2: **VI-ORB** ##

**Visual-Inertial Monocular SLAM With Map Reuse (2017 VI-ORB)**

这是ORB-SLAM的作者在做VIO时提出的一种初始化方式。这种初始化方式可以理解为是**松耦合**的方式。首先视觉SLAM先进行初始化，得到了三维空间中一系列的相机位姿和地图点。而在这个过程中，IMU持续进行预积分，得到每两个关键帧之间的预积分量。之后再把视觉初始化得到的**相机位姿**和**预积分量**进行对齐。在VI-ORB中初始化中估计了尺度，重力，速度，陀螺仪和加速度计的bias，而没有估计外参。

### 第一步是进行**陀螺仪bias的估计**。 ###

根据视觉初始化得到的**相机的旋转**，通过外参Tbc(IMU到相机的变换矩阵)，我们可以转化为**IMU的旋转**。而通过连续两帧的IMU旋转可以和**预积分量**建立约束。  
![10.png][]

### 第二步是进行尺度和重力的估计， ###

这一步忽视加速度计bias，至于这一步为什么要忽略加速度计的bias，我们在下一步再讲（数值小）。我们现在把目光注意到公式（10）上，它描述了世界坐标系下**相机的平移**，如何通过尺度和外参变换成世界坐标系下**IMU的平移**。然后再结合预积分的关系，也就是把预积分关系中的IMU的平移利用等式（10）替换为**相机的平移**。  
[![6136eb35d954f5b5ce0de3b005f649d7.png][]][6136eb35d954f5b5ce0de3b005f649d7.png 1]

由于在这一步，只估计尺度和重力，而不估计速度，因此可以在列一个i+2时刻的等式（11），然后通过速度的预积分关系，将速度项从等式（11）中消去。此时即可得到等式（12）。  
[![1f7225e456bb591bf930ceb585f2f89a.png][]][1f7225e456bb591bf930ceb585f2f89a.png 1]  
对于NN个连续关键帧，可以列出N−2N−2个类似于式（12）的等式，其矩阵形式为![2021040220311173.png][]，要求解的未知数是一个**四维向量**（尺度一维，重力三维），因此最少需要4个连续关键帧。  
![20210402203122184.png][]是一个超定方程，因此可以利用**SVD**来求解方程的最小二乘解。

### 第三步是进行加速度计bias的估计，以及对尺度和重力方向进行进一步修正。 ###

因为加速度计的bias相比于重力来说，从量级上是非常小的，因此如果放到等式（12）中，很可能是不可观的，也就是很可能导致A矩阵是一个病态矩阵。因此没有放在上一步去求解。在这里作者将重力G作为额外信息。在惯性参考坐标系下II中，重力的方向![20210402203150759.png][]，而通过我们已经计算得到世界坐标系下的重力向量![20210402203217421.png][]，可以计算该重力向量的方向![20210402203231679.png][]

> 世界坐标系往往是以第一帧的位姿作为世界坐标系的原点建立的，这与惯性参考坐标系有明显的区别，所以求解出的重力向量g的方向与![20210402203252168.png][]是有区别的。

因此就可以计算**惯性参考坐标系**和**世界坐标系**之间的**旋转矩阵**![20210402203314694.png][]以及修正：  
[![4c455863ccc86c9a4ed3629176576577.png][]][4c455863ccc86c9a4ed3629176576577.png 1]  
[![042d559f8239d9dc8302dd52f8c0a298.png][]][042d559f8239d9dc8302dd52f8c0a298.png 1]

由于计算![20210402203324575.png][]时未去除加速度偏差的影响，因此要得到理想的![20210402203344834.png][]，需要对式（15）进行优化。假设其优化量为δθ，则有：  
[![a799ff5fa2b0a46f91dbafc855e0890a.png][]][a799ff5fa2b0a46f91dbafc855e0890a.png 1]  
[![8b05a6d154847ef0a551552149b390ff.png][]][8b05a6d154847ef0a551552149b390ff.png 1]

将（17）式代入（11）式，就会得到新的方程，这个方程包含了修正后的尺度s，重力方向的微调量δθ和加速度偏差量ba：  
[![f4bc589bc48a01b1740f6ac573594f16.png][]][f4bc589bc48a01b1740f6ac573594f16.png 1]  
[![020a28dade618945374c27d582862ba6.png][]][020a28dade618945374c27d582862ba6.png 1]  
[![e4c9a700591790cf9631bda5a835a110.png][]][e4c9a700591790cf9631bda5a835a110.png 1]

方程（19）的求解和方程（12）的求解方式类似，是一个![20210402203427944.png][]的线性系统，需要至少4个连续关键帧，通过SVD求解。

## Paper 3: **Robust Initialization of Monocular Visual-Inertial Estimation** ##

**Robust Initialization of Monocular Visual-Inertial Estimation on Aerial Robots (2017, HKUST)**  
看到 VI-ORB 的初始化方式有点厉害，港科随后也更新了一波VIO的初始化方式。也就是目前在VINS-Mono中使用的方式。  
总的来说，和VI-ORB是大同小异的。首先是先对视觉部分进行初始化，然后估计陀螺仪的bias，之后估计重力，尺度和速度。这里并没有像VI-ORB一样把速度项给消去，而是选择将其作为未知变量估计出来。最后也是利用重力的norm对重力，尺度和速度进行refine。  
这部分就不展开讲了，可以参考之前分析 VINS-Mono 时候写过的一篇关于初始化的博客。[VINS-Mono中的VIO初始化][VINS-Mono_VIO]

由于VINS-Mono在初始化的时候忽略了加速度计的bias，看上去好像比VI-ORB要弱一些。所以有意思的是，这篇Paper最后还特意解释了一下为啥不估计加速度计的bias。  
1.他们通过仿真结果证明了，如果运动不够剧烈（smooth motion），加速度计的bias是很难被观测出来的  
2.其次忽略加速度计的bias对估计其他初始值的影响并不大。  
3.加速度计的bias是可以通过之后的VIO紧耦合优化，慢慢被估计出来。  
4.在VI-ORB中，加速度计bias的收敛需要好几秒，而且没有一个很好的判定条件来判断加速度计bias的估计是否正确。

## Paper 4: **Camera-IMU Extrinsic Calibration** ##

**Online Initialization and Automatic Camera-IMU Extrinsic Calibration for Monocular Visual-Inertial SLAM (2018, Peking)**  
这篇paper是发表在2018年的ICRA上，乍一看题目还是很叼的，要把VIO初始化中所有的状态量都估计出来，包括相机和IMU的内外参。但是仔细一读，唉，原来发篇顶会也不是什么难事。

第一步是估计相机和IMU的旋转外参和陀螺仪的bias。  
这篇Paper把**Paper 1**中估计旋转的外参方式抄了一遍，然后把**Paper 2**中估计陀螺仪bias的方式再抄一遍。因为估计旋转外参需要依赖陀螺仪bias的估计（为了得到更准确的IMU预积分），而估计陀螺仪的bias又会依赖于旋转外参。因为这种蛋生鸡鸡生蛋的相互依赖关系，这里提出了旋转外参估计和陀螺仪bias估计迭代着来做的方法，可以最终使得旋转外参和陀螺仪bias的估计都收敛到正确的值上。嗯，好像还有点创新。

第二步是估计重力、尺度、外参平移。  
这里又几乎把VI-ORB中的第二步抄了一遍，略微有点不同的是，VI-ORB中的第二步只估计的重力和尺度，这里把平移的外参给加上了，因此待估计的状态量多了3维。  
[![d651e128ca946c66977d040f5c65f954.png][]][d651e128ca946c66977d040f5c65f954.png 1]

第三步是估计加速度计的bias，并对重力、尺度、外参平移进行refine。  
与VI-ORB的第三步类似。  
[![e43767b746d338327031b422cafa2263.png][]][e43767b746d338327031b422cafa2263.png 1]

# 3. 总结 #

读完这几篇文章，感觉从理论上，基于预积分的VIO初始化问题已经解决了，但实际上工程运用的时候还是有很多坑的。比如某些轴上的运动激励不够要怎么处理，在尺度完全未知的情况下如何判断VIO初始化给出的尺度就一定是准确的，也包括港科在论文中提到的，如何判定加速度计bias的初始化结果是可信的。这些问题可能需要在我自己做完VIO初始化之后再跟大家交流。

# 参考文献 #

1.  On-Manifold Preintegration for Real-Time Visual-Inertial Odometry
2.  Visual-Inertial Monocular SLAM With Map Reuse
3.  Robust Initialization of Monocular Visual-Inertial Estimation on Aerial Robots
4.  Online Initialization and Automatic Camera-IMU Extrinsic Calibration for Monocular Visual-Inertial SLAM
5.  [SLAM 论文阅读和分类整理][SLAM]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70]: /images/20221022/f58565e7f2a249e59ff2da3cf69d4598.png
[e9195857c45cf70e029dc2520a67afc5.png]: /images/20221022/a74547e8a5f540baa88ac99f657addd6.png
[e9195857c45cf70e029dc2520a67afc5.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/1.png
[0230481e00882812c482fdf37856cb2d.png]: /images/20221022/9633d0f23d044e8e8d87fe6410064e35.png
[0230481e00882812c482fdf37856cb2d.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/2.png
[99df4cee403225200183601aa90e5891.png]: /images/20221022/beb5245d62a34f20a652c2c994c46f47.png
[99df4cee403225200183601aa90e5891.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/3.png
[Link 1]: http://zhehangt.win/2017/11/07/SLAM/Basic/PreintegratedIMU/
[74e482efcf40a940b9ed9a9839912de6.png]: /images/20221022/8dee7cacfd4947c8af91389d4b9e3798.png
[74e482efcf40a940b9ed9a9839912de6.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/4.png
[5aedc6f0d7c1a0f62e289ead2749a639.png]: /images/20221022/3a76d79ca3a34e67822ae0412b48e6d6.png
[5aedc6f0d7c1a0f62e289ead2749a639.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/5.png
[20210402202950772.png]: https://img-blog.csdnimg.cn/20210402202950772.png
[20210402203019569.png]: /images/20221022/facb3884d75947a2b9eb9ed761c7ca83.png
[0f1b82343d7c94304f016c9863163178.png]: /images/20221022/cc46e3ad01aa427689c6ce7838ff9b9d.png
[0f1b82343d7c94304f016c9863163178.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/6.png
[8d8a8e329089ef8cc526fa585379f2b1.png]: /images/20221022/0e1eeab937094598a3872efc3fd770b8.png
[8d8a8e329089ef8cc526fa585379f2b1.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/7.png
[0ab16f51c234c085548eab885b813bb9.png]: /images/20221022/ecf0678568bf474a931bd91c0dc64189.png
[0ab16f51c234c085548eab885b813bb9.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/8.png
[9b8fdc5def1c7524b48ab290f8b17d49.png]: /images/20221022/49bda8f33c054f54bc04e5f883cf0a9f.png
[9b8fdc5def1c7524b48ab290f8b17d49.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/9.png
[10.png]: /images/20221022/dd67df29479e4d579bf2636026d5075b.png
[6136eb35d954f5b5ce0de3b005f649d7.png]: /images/20221022/162d965548f5492a9d75e79f95d6c5e7.png
[6136eb35d954f5b5ce0de3b005f649d7.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/11.png
[1f7225e456bb591bf930ceb585f2f89a.png]: /images/20221022/9124b61fd6fe473fbd608602e5798f50.png
[1f7225e456bb591bf930ceb585f2f89a.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/12.png
[2021040220311173.png]: /images/20221022/cb467dc6ff5640458093bc03979aeca8.png
[20210402203122184.png]: /images/20221022/d1e91b4c85f5418c8902510ff7c198a2.png
[20210402203150759.png]: https://img-blog.csdnimg.cn/20210402203150759.png
[20210402203217421.png]: https://img-blog.csdnimg.cn/20210402203217421.png
[20210402203231679.png]: /images/20221022/571bca5cf71346fc8fe7d1d8e9abef2a.png
[20210402203252168.png]: /images/20221022/126a10cc9f7e4a06a46cb4e9a17a7a07.png
[20210402203314694.png]: /images/20221022/3d691eee9e6c4fb7b752b0a2be6bf301.png
[4c455863ccc86c9a4ed3629176576577.png]: /images/20221022/be09f7ec473045bba8d6277181d63605.png
[4c455863ccc86c9a4ed3629176576577.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/14.png
[042d559f8239d9dc8302dd52f8c0a298.png]: /images/20221022/ebfe06ac45294c4bb204a62345685c6c.png
[042d559f8239d9dc8302dd52f8c0a298.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/15.png
[20210402203324575.png]: https://img-blog.csdnimg.cn/20210402203324575.png
[20210402203344834.png]: /images/20221022/18de4ea1f3694027838fb293cfc1d71b.png
[a799ff5fa2b0a46f91dbafc855e0890a.png]: /images/20221022/b612a8cbb5eb42dda5725af85ca0d9bb.png
[a799ff5fa2b0a46f91dbafc855e0890a.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/16.png
[8b05a6d154847ef0a551552149b390ff.png]: /images/20221022/b4fc2cef2e8b4295808eb7a254988a37.png
[8b05a6d154847ef0a551552149b390ff.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/17.png
[f4bc589bc48a01b1740f6ac573594f16.png]: /images/20221022/b8708276584b4e6f977275014c509cd7.png
[f4bc589bc48a01b1740f6ac573594f16.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/18.png
[020a28dade618945374c27d582862ba6.png]: /images/20221022/675aa951d9b44dd2a66d6fa27ef949c7.png
[020a28dade618945374c27d582862ba6.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/19.png
[e4c9a700591790cf9631bda5a835a110.png]: /images/20221022/43b92a465ec5475ab20a67d6885c0c18.png
[e4c9a700591790cf9631bda5a835a110.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/20.png
[20210402203427944.png]: /images/20221022/bcf35bdf723342028a9ec8661609d36b.png
[VINS-Mono_VIO]: http://zhehangt.win/2018/04/19/SLAM/VINS/VINSInitialiaztion/
[d651e128ca946c66977d040f5c65f954.png]: /images/20221022/355ce6c6739f474ba781e84d5882c306.png
[d651e128ca946c66977d040f5c65f954.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/21.png
[e43767b746d338327031b422cafa2263.png]: https://img-blog.csdnimg.cn/img_convert/e43767b746d338327031b422cafa2263.png
[e43767b746d338327031b422cafa2263.png 1]: https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/22.png
[SLAM]: https://blog.csdn.net/heyijia0327/article/details/82855443