同SLAM發展過程類似，視覺融合IMU問題也可以分成基于濾波和基于優化兩大類。

同時按照是否把圖像特征信息加入狀態向量來進行分類，可以分為松耦合和緊耦合兩大類。

一.基于濾波的融合算法

1.1 松耦合

松耦合將視覺傳感器和 IMU 作為兩個單獨的模塊，兩個模塊均可以計算得到位姿信息，然后一般通過 EKF 進行融合。

可參考的算法有ethz的Stephen Weiss的ssf和msf

1.2 緊耦合

緊耦合則是指將視覺和 IMU 得到的中間數據通過一個優化濾波器進行處理，緊耦合需要把圖像特征加入到特征向量中，最終得到位姿信息的過程。由于這個原因，系統狀態向量最終的維度也會非常高，同時計算量也很大。

可參考的算法有MSCKF，ROVIO

二.基于優化的融合算法

2.1 松耦合

基于松耦合優化的工作不多，這里只給出一篇文章作為參考：

Inertial Aided Dense & Semi-Dense Methods for Robust Direct Visual Odometry

提到基于優化的緊耦合，就不得不提okvis了，主體思想是建立一個統一的損失函數同時優化視覺與IMU的位姿，用到了sliding window的思想。(這方面博主也需要再深入研究一下)

可參考 OKVIS, 以及港科大剛剛開源的 VINS-Mono

code

(1)imu和單目的緊耦合濾波方法

https://github.com/ethz-asl/rovio

(2)imu和單目的緊耦合非線性優化方法

https://github.com/ethz-asl/okvis

https://github.com/ethz-asl/okvis_ros

https://github.com/HKUST-Aerial-Robotics/VINS-Mono

orbslam+imu

官網：? http://webdiis.unizar.es/~raulmur/orbslam/????? ----ORB_SLAM與ORB_SLAM2的區別

解決初始化很慢的問題????ORB_SLAM2

總結

以上是生活随笔為你收集整理的vins中imu融合_视觉和imu融合的算法研究的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。