1. 摘要
視覺傳感器與IMU傳感器互補 == > VIO系統；
由最初的以濾波爲主題，現在逐漸轉換爲非線性優化來實現SLAM；
提出一種方法將視覺信息與IMU測量數據緊密結合，將IMU的誤差與路標點的投影誤差結合在一個概率成本函數中，實現一種聯合非線性優化。
使用“關鍵幀”的概念，我們將一部分舊狀態邊緣化以維持有一定邊界的優化窗口，從而確保實時操作。
與只有視覺和松耦合的視覺慣性算法相比，我們的實驗正式了緊耦合在精度和魯棒性方法的好處！
2. 松耦合和緊耦合
-
松耦合
松耦合是指， IMU和相機分別進行自身的運動估計，然後對其位姿結果進行融合
松耦合也可以分爲： 基於濾波和基於優化兩個方向（松耦合的方法則簡單的多）
1. 在濾波方向： Ethz的Stephen Weiss研究較多，ssf和msf都是比較不錯的開源算法。
2. 在優化方向： 松耦合的工作不多， Gabe Sibley在iros2016的一篇文章
《Inertial Aided Dense & Semi-Dense Methods for Robust Direct Visual Odometry》提到了這個方法。
簡單來說就是把vo計算產生的位姿變換添加到imu的優化框架裏面去
- 緊耦合
緊耦合是指，IMU和相機的狀態合併在一起，共同構建運動方程和觀測方程，然後進行狀態估計。
緊耦合也可以分爲： “基於濾波和基於優化兩個方向”
1. 在濾波方向： EKF和MSCKF， ROVIO是代表作。
2. 在優化方向： OKVIS是代表作， orbslam2 + imu 緊耦合， 緊耦合 VINS-Mono
3. 主要貢獻
1.當相機移動較慢甚至停止不動時，我們採用關鍵幀範例來進行無漂移估計，而不是使用時間連續的優化窗口。我們公式化一個關鍵幀的相對不確定性，而不表示全局姿態的不確定性（from RSLAM）。
2.提供一個完整的IMU誤差項概率推到，包括相關連續圖像幀的信息矩陣，而沒有以IMU速率明確引入狀態；
3.在系統層面上，我們開發了用於實時精確的SLAM的硬件和算法，包括使用“慣性提示”的穩定關鍵點匹配以及額外點剔除。
最後，在II-B引入了視覺SLAM中的慣性誤差項， II-C中的實時立體聲圖像處理和關鍵幀選擇， II-D中的邊緣化形式。
4.測試結果圖
