由於前端如果單純依靠視覺+imu作爲里程計,效果經常不穩定。因此最近做項目的過程中，將前端轉化爲以里程計（碼盤編碼器）來進行，相對比較魯棒。由於這個局部傳感器有累計誤差，因此長期運行不可靠，因此將vins-mono中迴環部分脫離出來。進行獨立運行。
這裏假定機器人運行的環境是在一個固定，變化相對較小的環境，因此圖像數據庫不進行更新。即
list<keyframe*> keyframelist
這個只保留載入存儲的特徵圖片。
在vio線程中，通過圖像特徵跟蹤，並三角化特徵點，能夠得到空間中三維點雲的信息。這些點，存在了關鍵幀的這三個類成員中：
缺點：這些特徵點沒有描述子，並且數量比較少，大概在100個以下。因此在構建關鍵幀的時候，需要兩個步驟：
（1）給這些關鍵點添加描述子信息（brief）,這些特徵點在這裏暫時叫做窗口特徵點。
（2）給該幀提取更多的特徵點，用fast角點，提取非常多的特徵點（500個以上），同樣並給這些特徵點添加描述子信息。這些特徵點在這裏暫時叫做姿態特徵點。這些姿態特徵點沒有三維信息，只有像素座標和歸一化座標兩種座標。
迴環匹配分成兩個步驟
（1）用bow詞袋模型先找出歷史的圖像數據庫中，歷史的哪一幀與現在這一幀長得最像。
（2）找出最像的這幀圖像，因此歷史中這幀關鍵幀存有非常多的姿態特徵點，因此開始進行特徵點匹配。
匹配的過程是：
歷史的迴環候選幀的姿態特徵點 與當前幀窗口特徵點 兩者之間的匹配。
因爲姿態特徵點數量遠遠大於窗口特徵點數量，就找和當前幀窗口特徵點漢明距離最近的一些姿態特徵點。
爲什麼一個選擇姿態特徵點，一個選擇窗口特徵點？
因爲至少需要一個特徵點是知道3D座標的。纔可能知道當前幀相對於歷史幀的位姿。
因此知道了3D座標，知道了2D座標的投影，就能夠知道迴環候選幀在當前幀爲真值的情況下，迴環候選幀的姿態，與實際的迴環候選幀的姿態做一個姿態變換，其實就是當前幀應該做的一個姿態變換。比較饒，不過VINS-MONO確實是這樣做的。
VINS-MONO支持地圖的保存，保存的信息包括：
1.關鍵幀圖片（optional）
2.關鍵幀姿態
3.關鍵幀的姿態特徵點2D座標
4.關鍵幀的姿態特徵點2D歸一化座標
5.關鍵幀的姿態特徵點描述子
現在一個問題是，將vins-mono中迴環部分脫離出來。進行獨立運行。如果還是按照上面這個思路來做的話，由於需要知道特徵點的3D座標，因此同樣也是需要前端的VINS_ESTIMATOR來進行三角化的。因此脫離得不夠完全。因此我們需要換一種思路。
因此我們地圖保存的信息變成：
1.關鍵幀圖片（optional）
2.關鍵幀姿態
3.關鍵幀的窗口特徵點2D座標
4.關鍵幀的窗口特徵點3D座標
5.關鍵幀的窗口特徵點描述子
保存的這些信息後，現在我們還是按照這個思路
（1）用bow詞袋模型先找出歷史的圖像數據庫中，歷史的哪一幀與現在這一幀長得最像。
（2）找出最像的這幀圖像，因此歷史中這幀關鍵幀存有非常多的姿態特徵點，因此開始進行特徵點匹配。
但是特徵匹配的時候，現在我們匹配的過程是：
歷史的迴環候選幀的窗口特徵點 與當前幀姿態特徵點 兩者之間的匹配。
因此知道了3D座標，知道了2D座標的投影，就能夠知道迴環候選幀姿態爲真值的情況下，當前幀的姿態。
由於窗口特徵點有3D座標，當前幀只需要特徵點的2D座標，因此整個過程只需要運行一個pose_graph 包即可。
因此，整個流程應該是這樣的：
1.在一個熟悉的環境，運行vins-mono完整版，採集關鍵幀的姿態，完成後，保存關鍵幀姿態。（保存的信息需要進行修改，從姿態特徵點修改爲窗口特徵點）
2.直接運行修改後的pose_graph包，這個包訂閱的消息就只有圖像，不需要運行feature_tracking，以及 vins_estimator。
當然了vins-mono爲了追求發論文的高精度，因此把很多閾值調的比較苛刻，才認爲是迴環。因此，在實際運用中，爲了追求迴環的高輸出，我們可以把一些閾值降低，這些閾值包括：
1.詞袋模型找最接近的圖片，論文中認爲最像的圖像應該比第二像的圖片可信度高一定的閾值。
2.特徵點匹配過程中漢明距離的閾值。
3.PNP求解的過程，內點和外點的比例閾值。
4.PNP求解出來特徵點內點的數量閾值。