VINS-FUSION 前端后端代码全详解（转载）

转载自古月居：https://mp.weixin.qq.com/s/hoPDnZhT7ltkKib6mqSTcA

VINS-FUSION 详细解释前端和后端代码

原创 lovely_yoshino 古月居 今天

首先，我根据网络上的文档整理了所有的代码，对于C 和OpenCV一些操作也做了详细的注释，并写了所有的博客解释，其中1-4章是前端VIO信息，5章是后端DBOW6-7章，6-7章是GPS与VIO融合，8章是参考文献。

1. 程序入口rosNodeTest.cpp

1.1 定义内容

运行程序时，主程序首先进入vins_estimator/src/estimator/rosNodeTest.cpp
主要定义在里面估计器，缓存器、获取传感器数据函数和一个主函数。

// 获得左目的messagevoid img0_callback(const sensor_msgs::ImageConstPtr &img_msg)// 获得右目的messagevoid img1_callback(const sensor_msgs::ImageConstPtr &img_msg)// 从msg获取图片，返回值cv::Mat，输入是当前图像msg的指针cv::Mat getImageFromMsg(const sensor_msgs::ImageConstPtr &img_msg)// 从两个主题中提取具有相同时间戳的图像// 并将图像输入估计器void sync_process()// 输入imu的msg解算并将信息imu数据输入到estimatorvoid imu_callback(const sensor_msgs::ImuConstPtr &imu_msg)// 点云的特征点msg输入到estimatorvoid feature_callback(const sensor_msgs::PointCloudConstPtr &feature_msg)// 是否重启estimator，并重新设置参数void restart_callback(const std_msgs::BoolConstPtr &restart_msg)// 是否使用IMUvoid imu_switch_callback(const std_msgs::BoolConstPtr &switch_msg)// 相机的开关void cam_switch_callback(const std_msgs::BoolConstPtr &switch_msg)int main(int argc, char **argv) 

1.2 程序执行

1.2.1 获取参数并设置参数

函数和主函数中的具体方法主要执行以下步骤ROS然后处理信息。

string config_file = argv[1];printf("config_file: %s\n", argv[1]);//config_file: 4VINS_test/0config/yaml_mynt_s1030/mynt_stereo_imu_config.yaml readParameters(config_file);// 读取参数estimator.setParameter();// 设置参数 /*  ros::Subscriber subscribe (const std::string &topic, uint32_t queue_size, void(*fp)(M), const TransportHints &transport_hints=TransportHints())  第一个参数是订阅主题的名称；  第二个参数是订阅队列的长度；(如果收到的消息没有时间处理，新消息进队，旧消息出队)；  第三个参数是回调函数的指针，指向回调函数处理收到的信息！  第四个参数:似乎与延迟有关，暂时不在乎。(成员函数有13重载)  */  ros::Subscriber sub_imu = n.subscribe(IMU_TOPIC, 2000, imu_callback, ros::TransportHints().tcpNoDelay());  ros::Subscriber sub_feature = n.subscribe("/feature_tracker/feature", 2000, feature_callback);  ros::Subscriber sub_img0 = n.subscribe(IMAGE0_TOPIC, 100, img0_callback);  ros::Subscriber sub_img1 = n.subscribe(IMAGE1_TOPIC, 100, img1_callback);  ros::Subscriber sub_restart = n.subscribe("/vins_restart", 100, restart_callback);  ros::Subscriber sub_imu_switch = n.subscribe("/vins_imu_switch", 100, imu_switch_callback);  ros::Subscriber sub_cam_switch = n.subscribe("/vins_cam_switch", 100, cam_switch_callback);   std::thread sync_thread{sync_process}; //创建sync_thread线程，指向sync_process，在这里处理processMeasurements的线程  ros::spin(); // 用于触发topic, service的响应队列  // 如果你的程序写了相关的消息订阅函数，那么程序在执行过程中，除了主程序以外，ROS根据您规定的格式，在后台自动接收订阅信息，但收到的信息不是  // 立即处理，但必须等到ros::spin()或ros::spinOnce()只有在执行时才被调用，这就是新闻返回函数的原理

下面解释了几个重要函数。

1.2.2imu_callback

其中imu_callback中订阅imu并填充信息accBuf和gyrBuf中，之后执行vins_estimator/src/estimator/estimator.cpp中inputIMU函数的fastPredictIMU、pubLatestOdometry函数

fastPredictIMU使用上一刻的姿势行快速的imu预积分，这个信息根据processIMU的最新数据Ps[frame_count]、Rs[frame_count]、Vs[frame_count]、Bas[frame_count]、Bgs[frame_count]来进行预积分，从而保证信息能够正常发布。

// 使用上一时刻的姿态进行快速的imu预积分// 用来预测最新P,V,Q的姿态// -latest_p,latest_q,latest_v,latest_acc_0,latest_gyr_0 最新时刻的姿态。这个的作用是为了刷新姿态的输出，但是这个值的误差相对会比较大，是未经过非线性优化获取的初始值。void Estimator::fastPredictIMU(double t, Eigen::Vector3d linear_acceleration, Eigen::Vector3d angular_velocity)

其中latest_Ba、latest_Bb是在预积分处就已经计算完毕的。

// 其中包含了检测关键帧,估计外部参数,初始化,状态估计,划窗等等。/** * 处理一帧图像特征 * 1、提取前一帧与当前帧的匹配点 * 2、在线标定外参旋转 *     利用两帧之间的Camera旋转和IMU积分旋转，构建最小二乘问题，SVD求解外参旋转 *     1) Camera系，两帧匹配点计算本质矩阵E，分解得到四个解，根据三角化成功点比例确定最终正确解R、t，得到两帧之间的旋转R *     2) IMU系，积分计算两帧之间的旋转 *     3) 根据旋转构建最小二乘问题，SVD求解外参旋转 * 3、系统初始化 * 4、3d-2d Pnp求解当前帧位姿 * 5、三角化当前帧特征点 * 6、滑窗执行Ceres优化，边缘化，更新滑窗内图像帧的状态（位姿、速度、偏置、外参、逆深度、相机与IMU时差） * 7、剔除outlier点 * 8、用当前帧与前一帧位姿变换，估计下一帧位姿，初始化下一帧特征点的位置 * 9、移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点 * 10、删除优化后深度值为负的特征点 * @param image  图像帧特征 * @param header 时间戳*/void Estimator::processImage(const map>>> &image, const double header)

经过fastPredictIMU函数后我们可以拿到latest_P, latest_Q, latest_V三个变量，之后即可通过pubLatestOdometry广播odom信息。

//构建一个odometry的msg并发布void pubLatestOdometry(const Eigen::Vector3d &P, const Eigen::Quaterniond &Q, const Eigen::Vector3d &V, double t)

1.2.3 feature_callback

feature_callback的作用是获取点云数据，之后填充featureFrame，并把featureFrame通过inputFeature输入到estimator，且填充了featureBuf。

/** * 订阅一帧跟踪的特征点，包括3D坐标、像素坐标、速度，交给estimator处理*/void feature_callback(const sensor_msgs::PointCloudConstPtr &feature_msg){
    
           map>>> featureFrame;    for (unsigned int i = 0; i < feature_msg->points.size(); i++)    {
    
               int feature_id = feature_msg->channels[0].values[i];        int camera_id = feature_msg->channels[1].values[i];        double x = feature_msg->points[i].x;        double y = feature_msg->points[i].y;        double z = feature_msg->points[i].z;        double p_u = feature_msg->channels[2].values[i];        double p_v = feature_msg->channels[3].values[i];        double velocity_x = feature_msg->channels[4].values[i];        double velocity_y = feature_msg->channels[5].values[i];        if(feature_msg->channels.size() > 5)        {
    
                   double gx = feature_msg->channels[6].values[i];            double gy = feature_msg->channels[7].values[i];            double gz = feature_msg->channels[8].values[i];            pts_gt[feature_id] = Eigen::Vector3d(gx, gy, gz);            //printf("receive pts gt %d %f %f %f\n", feature_id, gx, gy, gz);        }        ROS_ASSERT(z == 1);        Eigen::Matrix xyz_uv_velocity;        xyz_uv_velocity << x, y, z, p_u, p_v, velocity_x, velocity_y;        featureFrame[feature_id].emplace_back(camera_id,  xyz_uv_velocity);    }    double t = feature_msg->header.stamp.toSec();    estimator.inputFeature(t, featureFrame);    return;}

1.2.4 sync_process

之后通过：

// 从两个图像队列中取出最早的一帧，并从队列删除，双目要求两帧时差不得超过0.003sstd::thread sync_thread{sync_process}; //创建sync_thread线程，指向sync_process，这里边处理了measurementpross的线程

进入sync_process进行处理。

/** * 从两个图像队列中取出最早的一帧，并从队列删除，双目要求两帧时差不得超过0.003s*/void sync_process(){
    
           while(1)    {
    
               if(STEREO)        {
    
                   cv::Mat image0, image1;            std_msgs::Header header;            double time = 0;            m_buf.lock();            if (!img0_buf.empty() && !img1_buf.empty())            {
    
                       double time0 = img0_buf.front()->header.stamp.toSec();                double time1 = img1_buf.front()->header.stamp.toSec();                // 双目相机左右图像时差不得超过0.003s                if(time0 < time1 - 0.003)                {
    
                           img0_buf.pop();                    printf("throw img0\n");                }                else if(time0 > time1 + 0.003)                {
    
                           img1_buf.pop();                    printf("throw img1\n");                }                else                {
    
                           // 提取缓存队列中最早一帧图像，并从队列中删除                    time = img0_buf.front()->header.stamp.toSec();                    header = img0_buf.front()->header;                    image0 = getImageFromMsg(img0_buf.front());                    img0_buf.pop();                    image1 = getImageFromMsg(img1_buf.front());                    img1_buf.pop();                }            }            m_buf.unlock();            if(!image0.empty())                estimator.inputImage(time, image0, image1);        }        else        {
    
                   cv::Mat image;            std_msgs::Header header;            double time = 0;            m_buf.lock();            if(!img0_buf.empty())            {
    
                       time = img0_buf.front()->header.stamp.toSec();                header = img0_buf.front()->header;                image = getImageFromMsg(img0_buf.front());                img0_buf.pop();            }            m_buf.unlock();            if(!image.empty())                estimator.inputImage(time, image);        }         std::chrono::milliseconds dura(2);        std::this_thread::sleep_for(dura);    }}

该函数中，首先对是否双目进行判断。

如果是双目，需要检测同步问题。对双目的时间进行判断，时间间隔小于0.003s的话则使用getImageFromMsg将其输入到image0和image1变量之中。之后estimator.inputImage。

如果是单目，则直接estimator.inputImage。

2. 图像输入estimator.cpp

2.1 inputImage

/** * 输入一帧图像 * 1、featureTracker，提取当前帧特征点 * 2、添加一帧特征点，processMeasurements处理*/void Estimator::inputImage(double t, const cv::Mat &_img, const cv::Mat &_img1){
    
           inputImageCnt++;    // 特征点id，(x,y,z,pu,pv,vx,vy)    map>>> featureFrame;    TicToc featureTrackerTime;     /**     * 跟踪一帧图像，提取当前帧特征点     * 1、用前一帧运动估计特征点在当前帧中的位置，如果特征点没有速度，就直接用前一帧该点位置     * 2、LK光流跟踪前一帧的特征点，正反向，删除跟丢的点；如果是双目，进行左右匹配，只删右目跟丢的特征点     * 3、对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩阵，用极线约束进一步剔除outlier点（代码注释掉了）     * 4、如果特征点不够，剩余的用角点来凑；更新特征点跟踪次数     * 5、计算特征点归一化相机平面坐标，并计算相对与前一帧移动速度     * 6、保存当前帧特征点数据（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）     * 7、展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点    */    if(_img1.empty())        featureFrame = featureTracker.trackImage(t, _img);    else        featureFrame = featureTracker.trackImage(t, _img, _img1);    //printf("featureTracker time: %f\n", featureTrackerTime.toc());     // 发布跟踪图像    if (SHOW_TRACK)    {
    
               cv::Mat imgTrack = featureTracker.getTrackImage();        pubTrackImage(imgTrack, t);    }     // 添加一帧特征点，处理    if(MULTIPLE_THREAD)      {             if(inputImageCnt % 2 == 0)        {
    
                   mBuf.lock();            featureBuf.push(make_pair(t, featureFrame));            mBuf.unlock();        }    }    else    {
    
               mBuf.lock();        featureBuf.push(make_pair(t, featureFrame));        mBuf.unlock();        TicToc processTime;        processMeasurements();        printf("process time: %f\n", processTime.toc());    } }

当中需要先设置参数，并开启processMeasurements线程。

setParameter();

然后追踪图像上的特征trackImage，之后会进行详解,其中得到了featureFrame。

if(_img1.empty())    featureFrame = featureTracker.trackImage(t, _img);// 追踪单目else    featureFrame = featureTracker.trackImage(t, _img, _img1);// 追踪双目

然后，getTrackImage对特征到跟踪的图像进行一些处理。并把追踪的图片imgTrack发布出去。

if (SHOW_TRACK)//这个应该是展示轨迹     {
    
               cv::Mat imgTrack = featureTracker.getTrackImage();        pubTrackImage(imgTrack, t);    }

然后，填充featureBuf。

最后执行processMeasurements，这是处理全部量测的线程,IMU的预积分,特征点的处理等等都在这里进行。

2.2 trackImage

根据2.1的讲述，我们发现当中用到了trackImage这个函数，这个函数在

vins_estimator/src/featureTracker/feature_tracker.cpp。

/** * 跟踪一帧图像，提取当前帧特征点 * 1、用前一帧运动估计特征点在当前帧中的位置 * 2、LK光流跟踪前一帧的特征点，正反向，删除跟丢的点；如果是双目，进行左右匹配，只删右目跟丢的特征点 * 3、对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩阵，用极线约束进一步剔除outlier点（代码注释掉了） * 4、如果特征点不够，剩余的用角点来凑；更新特征点跟踪次数 * 5、计算特征点归一化相机平面坐标，并计算相对与前一帧移动速度 * 6、保存当前帧特征点数据（归一化相机平面坐标，像素坐标，归一化相机平面移动速度） * 7、展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点*/map>>> FeatureTracker::trackImage(double _cur_time, const cv::Mat &_img, const cv::Mat &_img1)

图像处理可以添加图像处理的部分，比如直方图均衡等等方法。

{
    
               cv::Ptr clahe = cv::createCLAHE(3.0, cv::Size(8, 8));//createCLAHE 直方图均衡        clahe->apply(cur_img, cur_img);        if(!rightImg.empty())            clahe->apply(rightImg, rightImg);    }

2.2.1 hasPrediction

会对上一帧的特征点进行处理，计算出上一帧运动估计特征点在当前帧中的位置。对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩。

if(hasPrediction)        {
    
                   cur_pts = predict_pts;            // LK光流跟踪两帧图像特征点，金字塔为1层            cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 1,             cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);             // 跟踪到的特征点数量            int succ_num = 0;            for (size_t i = 0; i < status.size(); i++)            {
    
                       if (status[i])                    succ_num++;            }            // 特征点太少，金字塔调整为3层，再跟踪一次            if (succ_num < 10)               cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 3);        }

2.2.2 if(SHOW_TRACK)

画出追踪情况，就是在图像上的特征点位置出画圈圈，如果是双目的话就连线。

// 展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点    if(SHOW_TRACK)        drawTrack(cur_img, rightImg, ids, cur_pts, cur_right_pts, prevLeftPtsMap);

2.2.3 setMask

在已跟踪到角点的位置上，将mask对应位置上设为0,
意为在cv::goodFeaturesToTrack(forw_img, n_pts, MAX_CNT - forw_pts.size(), 0.01, MIN_DIST, mask);进行操作时在该点不再重复进行角点检测，这样可以使角点分布更加均匀。具体详情见开源的注释代码。

/** * 特征点画个圈（半径MIN_DIST）存mask图，同时特征点集合按跟踪次数从大到小重排序*/void FeatureTracker::setMask()

2.2.4 goodFeaturesToTrack

如果当前图像的特征点cur_pts数目小于规定的最大特征点数目MAX_CNT，则进行提取。提取使用的cv::goodFeaturesToTrack。将点保存到n_pts。

/* goodFeaturesToTrack_image：8位或32位浮点型输入图像，单通道_corners：保存检测出的角点maxCorners：角点数目最大值，如果实际检测的角点超过此值，则只返回前maxCorners个强角点qualityLevel：角点的品质因子minDistance：对于初选出的角点而言，如果在其周围minDistance范围内存在其他更强角点，则将此角点删除_mask：指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROIblockSize：计算协方差矩阵时的窗口大小useHarrisDetector：指示是否使用Harris角点检测，如不指定，则计算shi-tomasi角点harrisK：Harris角点检测需要的k值 */cv::goodFeaturesToTrack(cur_img, n_pts, MAX_CNT - cur_pts.size(), 0.01, MIN_DIST, mask);// mask 这里肯定是指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROI

之后将n_pts保存到cur_pts之中。

2.2.5 undistortedPts

将像素座标系下的座标，转换为归一化相机座标系下的座标 即un_pts为归一化相机座标系下的座标。

/** * 像素点计算归一化相机平面点，带畸变校正*/vector FeatureTracker::undistortedPts(vector &pts, camodocal::CameraPtr cam){
    
           vector un_pts;    for (unsigned int i = 0; i < pts.size(); i++)    {
    
               // 特征点像素坐标        Eigen::Vector2d a(pts[i].x, pts[i].y);        Eigen::Vector3d b;        // 像素点计算归一化相机平面点，带畸变校正        cam->liftProjective(a, b);        // 归一化相机平面点        un_pts.push_back(cv::Point2f(b.x() / b.z(), b.y() / b.z()));    }    return un_pts;}

2.2.6 cam->liftProjective(a, b)

这个函数是对鱼眼相机模型的标定及去畸变过程。

/** * \brief Lifts a point from the image plane to its projective ray * \param p image coordinates * \param P coordinates of the projective ray * 这个函数是对鱼眼相机模型的标定及去畸变过程 */voidPinholeCamera::liftProjective(const Eigen::Vector2d& p, Eigen::Vector3d& P) const

之后通过ptsVelocity计算当前帧相对于前一帧 特征点沿x,y方向的像素移动速度。

/** * 计算当前帧归一化相机平面特征点在x、y方向上的移动速度 * @param pts 当前帧归一化相机平面特征点*/vector FeatureTracker::ptsVelocity(vector &ids, vector &pts,                                             map &cur_id_pts, map &prev_id_pts){
    
           vector pts_velocity;    cur_id_pts.clear();    for (unsigned int i = 0; i < ids.size(); i++)    {
    
               cur_id_pts.insert(make_pair(ids[i], pts[i]));    }     // caculate points velocity    if (!prev_id_pts.empty())    {
    
               double dt = cur_time - prev_time;         // 遍历当前帧归一化相机平面特征点        for (unsigned int i = 0; i < pts.size(); i++)        {
    
                   std::map::iterator it;            it = prev_id_pts.find(ids[i]);            if (it != prev_id_pts.end())            {
    
                       // 计算点在归一化相机平面上x、y方向的移动速度                double v_x = (pts[i].x - it->second.x) / dt;                double v_y = (pts[i].y - it->second.y) / dt;                pts_velocity.push_back(cv::Point2f(v_x, v_y));            }            else                pts_velocity.push_back(cv::Point2f(0, 0));         }    }    else    {
    
               for (unsigned int i = 0; i < cur_pts.size(); i++)        {
    
                   pts_velocity.push_back(cv::Point2f(0, 0));        }    }    return pts_velocity;}

2.3 双目摄像头

如果是双目相机，那么在右目上追踪左目的特征点。使用的函数是calcOpticalFlowPyrLK。

/*光流跟踪是在左右两幅图像之间进行cur left ---- cur rightprevImg    第一幅8位输入图像 或 由buildOpticalFlowPyramid()构造的金字塔。nextImg    第二幅与preImg大小和类型相同的输入图像或金字塔。prevPts    光流法需要找到的二维点的vector。点坐标必须是单精度浮点数。nextPts    可以作为输入，也可以作为输出。包含输入特征在第二幅图像中计算出的新位置的二维点（单精度浮点坐标）的输出vector。当使用OPTFLOW_USE_INITIAL_FLOW 标志时，nextPts的vector必须与input的大小相同。status    输出状态vector(类型：unsigned chars)。如果找到了对应特征的流，则将向量的每个元素设置为1；否则，置0。err    误差输出vector。vector的每个元素被设置为对应特征的误差，可以在flags参数中设置误差度量的类型；如果没有找到流，则未定义误差（使用status参数来查找此类情况）。winSize    每级金字塔的搜索窗口大小。maxLevel    基于最大金字塔层次数。如果设置为0，则不使用金字塔（单级）；如果设置为1，则使用两个级别，等等。如果金字塔被传递到input，那么算法使用的级别与金字塔同级别但不大于MaxLevel。criteria    指定迭代搜索算法的终止准则（在指定的最大迭代次数标准值（criteria.maxCount）之后，或者当搜索窗口移动小于criteria.epsilon。）flags 操作标志，可选参数：OPTFLOW_USE_INITIAL_FLOW：使用初始估计，存储在nextPts中；如果未设置标志，则将prevPts复制到nextPts并被视为初始估计。OPTFLOW_LK_GET_MIN_EIGENVALS：使用最小本征值作为误差度量（见minEigThreshold描述）；如果未设置标志，则将原始周围的一小部分和移动的点之间的 L1 距离除以窗口中的像素数，作为误差度量。minEigThreshold    算法所计算的光流方程的2x2标准矩阵的最小本征值（该矩阵称为[Bouguet00]中的空间梯度矩阵）÷ 窗口中的像素数。如果该值小于MinEigThreshold，则过滤掉相应的特征，相应的流也不进行处理。因此可以移除不好的点并提升性能。*/cv::calcOpticalFlowPyrLK(cur_img, rightImg, cur_pts, cur_right_pts, status, err, cv::Size(21, 21), 3);2.3.1 if(FLOW_BACK)如果这个打开，就想前边的左右目图像的位置换一下，在进行一次特征跟踪，目的是反向跟踪，得到左右目都匹配到的点
// 反向LK光流计算一次        if(FLOW_BACK)        {
    
                   vector reverse_status;            vector reverse_pts = prev_pts;            cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 1,             cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);            //cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 3);              // 正向、反向都匹配到了，且用正向匹配点反向匹配回来，与原始点距离不超过0.5个像素，认为跟踪到了            for(size_t i = 0; i < status.size(); i++)            {
    
                       if(status[i] && reverse_status[i] && distance(prev_pts[i], reverse_pts[i]) <= 0.5)                {
    
                           status[i] = 1;                }                else                    status[i] = 0;            }        }

之后和单目一样执行undistortedPts 和 ptsVelocity。

2.3.2 制作featureFrame

// 添加当前帧特征点（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）    map>>> featureFrame;

其中，camera_id = 0为左目上的点，camera_id = 1，为右目上的点。

3. IMU处理estimator.cpp

3.1 判断IMU数据是否可用

if ((!USE_IMU  || IMUAvailable(feature.first + td)))//如果不用imu或者超时

其中，

// 判断输入的时间t时候的imu是否可用bool Estimator::IMUAvailable(double t)

3.2 获得accVector和gyrVector

对imu的时间进行判断，讲队列里的imu数据放入到accVector和gyrVector中。

// 对imu的时间进行判断，讲队列里的imu数据放入到accVector和gyrVector中，完成之后返回truebool Estimator::getIMUInterval(double t0, double t1, vector> &accVector,                                 vector> &gyrVector)

3.3 初始化IMU的姿态

initFirstIMUPose,其实很简单,就是求一个姿态角,然后把航向角设为0。

//第一帧IMU姿态初始化// 用初始时刻加速度方向对齐重力加速度方向，得到一个旋转，使得初始IMU的z轴指向重力加速度方向void Estimator::initFirstIMUPose(vector> &accVector)

3.4 处理IMU数据,运行processIMU

/** * 处理一帧IMU，积分 * 用前一图像帧位姿，前一图像帧与当前图像帧之间的IMU数据，积分计算得到当前图像帧位姿 * Rs，Ps，Vs * @param t                     当前时刻 * @param dt                    与前一帧时间间隔 * @param linear_acceleration   当前时刻加速度 * @param angular_velocity      当前时刻角速度*/void Estimator::processIMU(double t, double dt, const Vector3d &linear_acceleration, const Vector3d &angular_velocity)

其中frame_count是值窗内的第几帧图像，下边是新建一个预积分项目。

pre_integrations[frame_count] = new IntegrationBase{acc_0, gyr_0, Bas[frame_count], Bgs[frame_count]};

预积分：

pre_integrations[frame_count]->push_back(dt, linear_acceleration, angular_velocity);        // push_back重载的时候就已经进行了预积分

其中的push_back：

 void push_back(double dt, const Eigen::Vector3d &acc, const Eigen::Vector3d &gyr){
    
               dt_buf.push_back(dt);        acc_buf.push_back(acc);        gyr_buf.push_back(gyr);        propagate(dt, acc, gyr);    }其中的propagate
    // IMU预积分传播方程     // 积分计算两个关键帧之间IMU测量的变化量    // 同时维护更新预积分的Jacobian和Covariance,计算优化时必要的参数    /**     * IMU中值积分传播     * 1、前一时刻状态计算当前时刻状态，PVQ，Ba，Bg     * 2、计算当前时刻的误差Jacobian，误差协方差 todo    */    void propagate(double _dt, const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1){
    
               dt = _dt;        acc_1 = _acc_1;        gyr_1 = _gyr_1;        Vector3d result_delta_p;        Quaterniond result_delta_q;        Vector3d result_delta_v;        Vector3d result_linearized_ba;        Vector3d result_linearized_bg;         /**         * 中值积分         * 1、前一时刻状态计算当前时刻状态，PVQ，其中Ba，Bg保持不变         * 2、计算当前时刻的误差Jacobian，误差协方差 todo        */        midPointIntegration(_dt, acc_0, gyr_0, _acc_1, _gyr_1, delta_p, delta_q, delta_v,                            linearized_ba, linearized_bg,                            result_delta_p, result_delta_q, result_delta_v,                            result_linearized_ba, result_linearized_bg, 1);         //checkJacobian(_dt, acc_0, gyr_0, acc_1, gyr_1, delta_p, delta_q, delta_v,        //                    linearized_ba, linearized_bg);        delta_p = result_delta_p;        delta_q = result_delta_q;        delta_v = result_delta_v;        linearized_ba = result_linearized_ba;        linearized_bg = result_linearized_bg;        delta_q.normalize();        sum_dt += dt;        acc_0 = acc_1;        gyr_0 = gyr_1;       }

其中的midPointIntegration.这里边就涉及到了IMU的传播方针和协方差矩阵.雅克比矩阵等等.哪里不懂可以VIO的理论知识。

// 中值积分递推Jacobian和Covariance// _acc_0上次测量加速度 _acc_1本次测量加速度 delta_p上一次的位移 result_delta_p位置变化量计算结果 update_jacobian是否更新雅克比基本方法就涉及到了IMU的创博方针和器方差矩阵的窗哦sdfvoid midPointIntegration(double _dt,                         const Eigen::Vector3d &_acc_0, const Eigen::Vector3d &_gyr_0,                        const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1,                        const Eigen::Vector3d &delta_p, const Eigen::Quaterniond &delta_q, const Eigen::Vector3d &delta_v,                        const Eigen::Vector3d &linearized_ba, const Eigen::Vector3d &linearized_bg,                        Eigen::Vector3d &result_delta_p, Eigen::Quaterniond &result_delta_q, Eigen::Vector3d &result_delta_v,                        Eigen::Vector3d &result_linearized_ba, Eigen::Vector3d &result_linearized_bg, bool update_jacobian)

之后计算对应绝对坐标系下的位置等。

 // Rs Ps Vs是frame_count这一个图像帧开始的预积分值,是在绝对坐标系下的.    int j = frame_count;             Vector3d un_acc_0 = Rs[j] * (acc_0 - Bas[j]) - g;//移除了偏执的加速度    Vector3d un_gyr = 0.5 * (gyr_0 + angular_velocity) - Bgs[j];//移除了偏执的gyro    Rs[j] *= Utility::deltaQ(un_gyr * dt).toRotationMatrix();    Vector3d un_acc_1 = Rs[j] * (linear_acceleration - Bas[j]) - g;    Vector3d un_acc = 0.5 * (un_acc_0 + un_acc_1);    Ps[j] += dt * Vs[j] + 0.5 * dt * dt * un_acc;    Vs[j] += dt * un_acc;

4. 图像处理estimator.cpp

4.1 processImage

函数入口processMeasurements中的processImage(feature.second, feature.first);输入的之后关键帧和时间。

/* addFeatureCheckParallax对当前帧与之前帧进行视差比较，如果是当前帧变化很小，就会删去倒数第二帧，如果变化很大，就删去最旧的帧。并把这一帧作为新的关键帧这样也就保证了划窗内优化的,除了最后一帧可能不是关键帧外,其余的都是关键帧VINS里为了控制优化计算量，在实时情况下，只对当前帧之前某一部分帧进行优化，而不是全部历史帧。局部优化帧的数量就是窗口大小。为了维持窗口大小，需要去除旧的帧添加新的帧，也就是边缘化 Marginalization。到底是删去最旧的帧（MARGIN_OLD）还是删去刚刚进来窗口倒数第二帧(MARGIN_SECOND_NEW)如果大于最小像素,则返回true *//** * 添加特征点记录，并检查当前帧是否为关键帧 * @param frame_count   当前帧在滑窗中的索引 * @param image         当前帧特征（featureId，cameraId，feature）*/bool FeatureManager::addFeatureCheckParallax(int frame_count, const map>>> &image, double td)

判断之后，确定marg掉那个帧。

// 检测关键帧if (f_manager.addFeatureCheckParallax(frame_count, image, td)){
    
           marginalization_flag = MARGIN_OLD;//新一阵将被作为关键帧!    //printf("keyframe\n");}else{
    
           marginalization_flag = MARGIN_SECOND_NEW;    //printf("non-keyframe\n");}

4.2 估计相机和IMU的外参

// 当前帧预积分（前一帧与当前帧之间的IMU预积分）imageframe.pre_integration = tmp_pre_integration;all_image_frame.insert(make_pair(header, imageframe));// 重置预积分器tmp_pre_integration = new IntegrationBase{acc_0, gyr_0, Bas[frame_count], Bgs[frame_count]}; // 估计一个外部参,并把ESTIMATE_EXTRINSIC置1,输出ric和RICif(ESTIMATE_EXTRINSIC == 2)

首先找到对应的图像。

vector> corres = f_manager.getCorresponding(frame_count - 1, frame_count);            // 这个里边放的是新图像和上一帧

使用CalibrationExRotation计算参数。

/* CalibrationExRotation当外参完全不知道的时候，可以在线对其进行初步估计,然后在后续优化时，会在optimize函数中再次优化。输入是新图像和上一阵图像的位姿 和二者之间的imu预积分值,输出旋转矩阵对应VIO课程第七讲中对外参矩阵的求解 */bool InitialEXRotation::CalibrationExRotation(vector> corres, Quaterniond delta_q_imu, Matrix3d &calib_ric_result)

4.3 如果没有初始化,那么就先进行初始化

4.3.1 单目+IMU的初始化

// monocular + IMU initilization // 单目+IMU系统初始化 if (!STEREO && USE_IMU) {
    
            // 要求滑窗满     if (frame_count == WINDOW_SIZE)     {
    
                bool result = false;         // 如果上次初始化没有成功，要求间隔0.1s         if(ESTIMATE_EXTRINSIC != 2 && (header - initial_timestamp) > 0.1)         {
    
                    /**              * todo              * 系统初始化              * 1、计算滑窗内IMU加速度的标准差，用于判断移动快慢              * 2、在滑窗中找到与当前帧具有足够大的视差，同时匹配较为准确的一帧，计算相对位姿变换              *   1) 提取滑窗中每帧与当前帧之间的匹配点（要求点在两帧之间一直被跟踪到，属于稳定共视点），超过20个则计算视差              *   2) 两帧匹配点计算本质矩阵E，恢复R、t              *   3) 视差超过30像素，匹配内点数超过12个，则认为符合要求，返回当前帧              * 3、以上面找到的这一帧为参考系，Pnp计算滑窗每帧位姿，然后三角化所有特征点，构建BA（最小化点三角化前后误差）优化每帧位姿              *   1) 3d-2d Pnp求解每帧位姿              *   2) 对每帧与l帧、当前帧三角化              *   3) 构建BA，最小化点三角化前后误差，优化每帧位姿              *   4) 保存三角化点              * 4、对滑窗中所有帧执行Pnp优化位姿              * 5、Camera与IMU初始化，零偏、尺度、重力方向             */             result = initialStructure();             initial_timestamp = header;            }         if(result)         {
    
                    // 滑窗执行Ceres优化，边缘化，更新滑窗内图像帧的状态（位姿、速度、偏置、外参、逆深度、相机