基于改进VINS-Mono算法的状态估计方法学术报告

作者及机构
本文由王海芳、乔鼎杰、吴天浩、黄鹏（东北大学秦皇岛分校控制工程学院）合作完成，发表于《东北大学学报（自然科学版）》2024年9月第45卷第9期。

学术背景
本研究属于机器人状态估计与即时定位与建图（Simultaneous Localization and Mapping, SLAM）领域。传统SLAM算法在姿态识别精度和实时性方面存在局限性，而视觉惯性系统（Visual Inertial System, VINS）通过融合相机与惯性测量单元（Inertial Measurement Unit, IMU）数据，可提升鲁棒性。然而，VINS-Mono算法在边缘化（Marginalization）过程中计算效率不足，且前端光流法的精度仍有优化空间。为此，作者提出改进策略，旨在提升算法实时性与精度。

研究流程与方法
1. 前端改进：逆向光流法
- 目标：通过逆向光流匹配增强特征点追踪精度。
- 方法：在传统Lucas-Kanade光流法基础上，增加逆向光流验证步骤，剔除追踪失败或位置异常的特征点。
- 实验验证：使用EUROC数据集（MH_01至MH_04）测试，对比改进前后均方根误差（RMSE）。结果显示精度提升有限（最高1.5%），分析认为图像间隔短（0.03秒）导致逆向光流优势不明显。

1. 后端改进：分步边缘化优化
   
   • 问题：原始边缘化过程计算量大，影响实时性。
     
   • 改进策略：将边缘化分为两步——先边缘化非相机位姿部分（如IMU状态、特征点深度），再边缘化相机位姿部分，减少矩阵运算量。
     
   • 算法实现：通过Schur消元重构先验信息矩阵，优化残差计算流程（伪代码详见表2）。
     
   • 实验验证：在相同数据集上测试，改进算法边缘化时间平均减少25.9%，且轨迹误差与原始算法相当（RMSE差异%），证明实时性提升未牺牲精度。
     

主要结果
1. 前端结果：逆向光流法未显著提升精度（MH_02数据集RMSE仅降低1.5%），但验证了光流法在短时间间隔下的局限性。
2. 后端结果：边缘化时间显著缩短（MH_01数据集减少27.8%），且轨迹误差可控（MH_03数据集RMSE差异0%），表明分步边缘化有效平衡效率与精度。

结论与价值
1. 科学价值：提出了分步边缘化方法，为SLAM后端优化提供了新思路；揭示了逆向光流法在高速图像采样中的适用边界。
2. 应用价值：改进算法适合计算资源受限的移动机器人平台，可提升实时性而不降低定位精度。

研究亮点
1. 方法创新：首次将分步边缘化应用于VINS-Mono，显著加速后端优化。
2. 实验严谨性：通过多数据集重复验证，确保结果可靠性。
3. 工程意义：算法改进可直接集成至开源框架（如ROS），推动SLAM技术落地。

其他有价值内容
- 数据公开性：实验基于公开EUROC数据集，支持结果复现。
- 代码细节：边缘化伪代码（表2）和误差对比表（表3-6）为后续研究提供参考。

（注：全文术语首次出现均标注英文，如“边缘化（Marginalization）”；期刊名与作者名保留原文格式。）