原英文名

提示：上面这个名字是我自己翻译的，原文名字我也给出来了。
原文名：Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM

---

文章目录

• 原英文名
• 前言
• 一、Visual-inertial Odometry
• 二、
• • 1.
  • 2.
• 总结

---

前言

总结：本文提出一种单目视觉惯导SLAM系统在相机重定位、全局优化以及地图合并方面的创新：
相机与IMU的紧耦合：基于滑动窗口的非线性优化框架以紧耦合的方式处理视觉和惯性测量单元
重定位：为了实现重定位，使用了先进的DBOW2做特征点和描述子的提取。同时使用紧耦合重定位方式对位姿进行重定位。
全局图优化：利用先前的地图与现在的地图进行联合，使用原来的地图可以进行相机的定位。

提示：视觉惯导里程计VIO 是基于视觉里程计VO的一种多传感器融合系统，该系统是为了解决单目相机无法真实的恢复场景尺度信息所提出的，在某些应用场景，相机传感器和IMU传感器是可以互相弥补自己的缺陷。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Visual-inertial Odometry

本文采用的是《Robust initialization of monocular visual-inertial estimation on aerial robots》提出的进行单目视觉惯性里程计。为了保证系统在任何情况下能够启动，需要对姿态、速度、几个关键帧的惯性测量单元以及特征深度进行局部光束法平差（BA）优化。
在滑动窗口中定义了整个状态用m帧以及n个特征点来表示：

第k次IMU状态由:
位 置 ： P b k w 位置：P^{w}_{b_{k}} 位置：Pbk​w​
速 度 ： V b k w 速度：V^{w}_{b_{k}} 速度：Vbk​w​
方 向 ： q b k w 方向：q^{w}_{b_{k}} 方向：qbk​w​
偏 移 ： b a , b g 偏移：b_{a} , b_{g} 偏移：ba​,bg​
相机的移动是： X c b X^{b}_{c} Xcb​相机从c帧到b帧的移动。 λ \lambda λ是每一帧的图像逆深度信息。

上面的一切组成了 χ \chi χ他们构成了一个非线性优化问题。

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过 Euler integral

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

二、

1.

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.

该处使用的url网络请求的数据。

---

总结

提示：今天先写这么多吧，明天再写。