1. 摘要
视觉传感器与IMU传感器互补 == > VIO系统；
由最初的以滤波为主题，现在逐渐转换为非线性优化来实现SLAM；
提出一种方法将视觉信息与IMU测量数据紧密结合，将IMU的误差与路标点的投影误差结合在一个概率成本函数中，实现一种联合非线性优化。
使用“关键帧”的概念，我们将一部分旧状态边缘化以维持有一定边界的优化窗口，从而确保实时操作。
与只有视觉和松耦合的视觉惯性算法相比，我们的实验正式了紧耦合在精度和鲁棒性方法的好处！
2. 松耦合和紧耦合
-
松耦合
松耦合是指， IMU和相机分别进行自身的运动估计，然后对其位姿结果进行融合
松耦合也可以分为： 基于滤波和基于优化两个方向（松耦合的方法则简单的多）
1. 在滤波方向： Ethz的Stephen Weiss研究较多，ssf和msf都是比较不错的开源算法。
2. 在优化方向： 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》提到了这个方法。
简单来说就是把vo计算产生的位姿变换添加到imu的优化框架里面去
- 紧耦合
紧耦合是指，IMU和相机的状态合并在一起，共同构建运动方程和观测方程，然后进行状态估计。
紧耦合也可以分为： “基于滤波和基于优化两个方向”
1. 在滤波方向： EKF和MSCKF， ROVIO是代表作。
2. 在优化方向： OKVIS是代表作， orbslam2 + imu 紧耦合， 紧耦合 VINS-Mono
3. 主要贡献
1.当相机移动较慢甚至停止不动时，我们采用关键帧范例来进行无漂移估计，而不是使用时间连续的优化窗口。我们公式化一个关键帧的相对不确定性，而不表示全局姿态的不确定性（from RSLAM）。
2.提供一个完整的IMU误差项概率推到，包括相关连续图像帧的信息矩阵，而没有以IMU速率明确引入状态；
3.在系统层面上，我们开发了用于实时精确的SLAM的硬件和算法，包括使用“惯性提示”的稳定关键点匹配以及额外点剔除。
最后，在II-B引入了视觉SLAM中的惯性误差项， II-C中的实时立体声图像处理和关键帧选择， II-D中的边缘化形式。
4.测试结果图
