SLAM新手，歡迎討論。
關於vins_fusion的博客：
1.初探：https://blog.csdn.net/huanghaihui_123/article/details/86518880
2.vio主體： https://blog.csdn.net/huanghaihui_123/article/details/86610562
3.vioGPS融合框架： https://blog.csdn.net/huanghaihui_123/article/details/87183055
4.迴環檢測loop_fusion主體：https://blog.csdn.net/huanghaihui_123/article/details/87357488
5.imu在vins裏的理解:https://blog.csdn.net/huanghaihui_123/article/details/87713083
6.vio中processThread線程:https://blog.csdn.net/huanghaihui_123/article/details/87974670
7.vins-迴環檢測單獨剝離運行:https://blog.csdn.net/huanghaihui_123/article/details/88534266
8.同步imu數據以及相機特徵點幀數據代碼邏輯：https://blog.csdn.net/huanghaihui_123/article/details/103032782
9.vins中的座標系變換及g2r函數: https://blog.csdn.net/huanghaihui_123/article/details/103075107
vins-fusion
港科大在2019年1月12號發佈了Vins-fusion，從2017年發佈的Vins-mono:單目+IMU，這次晉級了vins-fusion，demo中主要給出了四個版本：
（1）單目+imu
（2）純雙目
（3）雙目+imu
（4）雙目+imu+GPS
地址爲：
https://github.com/HKUST-Aerial-Robotics/VINS-Fusion
雙目SLAM對比與之前單目的slam，主要一個好處在於初始化過程中，可以靜止進行初始化。另一方面由於尺度信息不一定完全依靠IMU,因此不會造成尺度不可關的情況。但是由於視覺誤匹配等各種原因，造成實際上雙目的精度會比單目來的差一丟丟。不過魯棒性上考慮，雙目明顯優於單目。
其中港科大提供了自己在小車上採集的car.bag。在本地運行後，發現確實牛逼。
中間有一小段幾乎全黑的情況，定位也沒有飄走。
本來以爲這個數據包如果運行vins mono,會跑飛，因爲之前沈劭劼講座中提到單目imu如果長期均速，或者在平面內運動，由於IMU沒有讀數，會造成尺度的不客觀，但是，自己用這個car.bag運行單目的程序，發現效果依然很好，所以就有些不大明白。歡迎賜教。
下面這個是增加GPS的室外定位，拿了KITTI的數據集來進行測試，KITTI數據集由德國卡爾斯魯厄理工學院和豐田美國技術研究院聯合創辦，是目前國際上最大的自動駕駛場景下的計算機視覺算法評測數據集。
大致看了代碼，對比與之前的vinsmono，主要增加了global_fusion包，用來融合GPS以及視覺IMU定位的結果。代碼結構的話，之前的pose_graph節點更名爲loop_fusion，之前的feature_track節點融合進vins_estimator內部。vins_estimator中的factor殘差項增加了很多。主要是視覺的殘差項增加。