0.前言
局部优化作为VSLAM当中常用的策略，其作用相当于激光SLAM中的局部地图的ICP or NDT优化（scan2localmap）。
如下图所示，在VIO当中，随着时间的推移，路标特征点(landmark)和相机的位姿pose越来越多，BA的计算量随着变量的增加而增加，即使BA的H矩阵是稀疏的，也吃不消。因此，我们要限制优化变量的多少，不能只一味的增加待优化的变量到BA里，而应该去掉一些变量。
那么如何丢变量就成了一个很重要的问题！在vins mono和vins fusion中都存在void Estimator::optimization()函数用来用滑窗执行Ceres优化，边缘化，更新滑窗内图像帧的状态（位姿、速度、偏置、外参、逆深度、相机与IMU时差），但是这个之前在VINS-FUSION 前端后端代码全详解忽略了这一重要的部分。所以在写完回环后发现，关注了全局优化的同时，局部优化却没有关注。
为此写着一篇文章来分析vins中的局部优化部分
1. VIO中的状态向量与代价函数
视觉惯性BA：这三项依次为边缘化的先验信息、IMU的测量残差、视觉的重投影误差
BA优化模型分为三部分：
1、视觉误差函数部分（滑动窗口中特征点在相机下视觉重投影残差）
2、IMU残差部分（滑动窗口中相邻帧间的IMU产生）
3、Marg边缘化残差部分（滑动窗口中去掉位姿和特征点约束）代码中使用Google开源的Ceres solver解决。
2. 视觉约束
这部分要拟合的目标可以通过重投影误差约束，求解的是对同一个路标点的观测值和估计值之间的误差，注意是在归一化平面上表示。
当某路标点在第i帧观测到并进行初始化操作得到路标点逆深度，当其在第j帧也被观测到时，估计其在第j帧中的坐标为：
此时的视觉残差为：（左侧为根据i帧反推估计的位置，右侧为观测值）
逆深度作为参数原因：
1）观测到的特征点深度可能非常大，难以进行优化；
2）可以减少实际优化的参数变量；
3）逆深度更加服从高斯分布。这里特征点的逆深度在第i帧初始化操作中得到。
我们可以看到在vins fusion中
//左相机在i时刻和j时刻分别观测到路标点 ProjectionTwoFrameOneCamFactor *f_td = new ProjectionTwoFrameOneCamFactor(pts_i, pts_j, it_per_id.feature_per_frame[0].velocity, it_per_frame.velocity, it_per_id.feature_per_frame[0].cur_td, it_per_frame.cur_td); problem.AddResidualBlock(f_td, loss_function, para_Pose[imu_i], para_Pose[imu_j], para_Ex_Pose[0], para_Feature[feature_index], para_Td[0]); } if(STEREO && it_per_frame.is_stereo) { Vector3d pts_j_right = it_per_frame.pointRight; if(imu_i != imu_j) { //左相机在i时刻、右相机在j时刻分别观测到路标点 ProjectionTwoFrameTwoCamFactor *f = new ProjectionTwoFrameTwoCamFactor(pts_i, pts_j_right, it_per_id.feature_per_frame[0].velocity, it_per_frame.velocityRight, it_per_id.feature_per_frame[0].cur_td, it_per_frame.cur_td); problem.AddResidualBlock(f, loss_function, para_Pose[imu_i], para_Pose[imu_j], para_Ex_Pose[0], para_Ex_Pose[1], para_Feature[feature_index], para_Td[0]); } else { //左相机和右相机在i时刻分别观测到路标点 ProjectionOneFrameTwoCamFactor *f = new ProjectionOneFrameTwoCamFactor(pts_i, pts_j_right, it_per_id.feature_per_frame[0].velocity, it_per_frame.velocityRight, it_per_id.feature_per_frame[0].cur_td, it_per_frame.cur_td); problem.AddResidualBlock(f, loss_function, para_Ex_Pose[0], para_Ex_Pose[1], para_Feature[feature_index], para_Td[0]); }
目前我们将以ProjectionTwoFrameOneCamFactor为例子介绍特征点逆深度求解
/** * 迭代优化每一步调用，计算变量x在当前状态下的残差，以及残差对变量的Jacobian，用于计算delta_x，更新变量x * 优化重投影误差 * 1、优化变量：前一帧位姿，当前帧位姿，相机与IMU外参，特征点逆深度，相机与IMU时差。对匹配点构建重投影误差 * 2、计算残差对优化变量的Jacobian * @param parameters 优化变量的值 * @param residuals output 残差 * @param jacobians output 残差对优化变量的Jacobian */ bool ProjectionTwoFrameOneCamFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const { // 优化变量：前一帧位姿7，当前位姿7，相机与IMU外参7，特征点逆深度1，相机与IMU时差1 TicToc tic_toc; Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]); Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]); Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]); Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]); Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]); Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]); double inv_dep_i = parameters[3][0]; double td = parameters[4][0]; Eigen::Vector3d pts_i_td, pts_j_td; // 匹配点ij, 归一化相机点时差校正，对应到采集时刻的位置，因为IMU数据是对应图像采集时刻的 pts_i_td = pts_i - (td - td_i) * velocity_i; pts_j_td = pts_j - (td - td_j) * velocity_j; // 转到相机系 Eigen::Vector3d pts_camera_i = pts_i_td / inv_dep_i; // 转到IMU系 Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic; // 转到世界系 Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi; // 转到j的IMU系 Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj); // 转到j的相机系 Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic); Eigen::Map<Eigen::Vector2d> residual(residuals); #ifdef UNIT_SPHERE_ERROR residual = tangent_base * (pts_camera_j.normalized() - pts_j_td.normalized()); #else // 计算归一化相机平面上的两点误差 double dep_j = pts_camera_j.z(); residual = (pts_camera_j / dep_j).head<2>() - pts_j_td.head<2>(); #endif residual = sqrt_info * residual; if (jacobians) { Eigen::Matrix3d Ri = Qi.toRotationMatrix(); Eigen::Matrix3d Rj = Qj.toRotationMatrix(); Eigen::Matrix3d ric = qic.toRotationMatrix(); Eigen::Matrix<double, 2, 3> reduce(2, 3); #ifdef UNIT_SPHERE_ERROR double norm = pts_camera_j.norm(); Eigen::Matrix3d norm_jaco; double x1, x2, x3; x1 = pts_camera_j(0); x2 = pts_camera_j(1); x3 = pts_camera_j(2); norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3), - x1 * x3 / pow(norm, 3), - x1 * x2 / pow(norm, 3), 1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3), - x1 * x3 / pow(norm, 3), - x2 * x3 / pow(norm, 3), 1.0 / norm - x3 * x3 / pow(norm, 3); reduce = tangent_base * norm_jaco; #else reduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j), 0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j); #endif reduce = sqrt_info * reduce; // 下面是计算残差对优化变量的Jacobian if (jacobians[0]) { Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]); Eigen::Matrix<double, 3, 6> jaco_i; jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose(); jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i); jacobian_pose_i.leftCols<6>() = reduce * jaco_i; jacobian_pose_i.rightCols<1>().setZero(); } if (jacobians[1]) { Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_j(jacobians[1]); Eigen::Matrix<double, 3, 6> jaco_j; jaco_j.leftCols<3>() = ric.transpose() * -Rj.transpose(); jaco_j.rightCols<3>() = ric.transpose() * Utility::skewSymmetric(pts_imu_j); jacobian_pose_j.leftCols<6>() = reduce * jaco_j; jacobian_pose_j.rightCols<1>().setZero(); } if (jacobians[2]) { Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_ex_pose(jacobians[2]); Eigen::Matrix<double, 3, 6> jaco_ex; jaco_ex.leftCols<3>() = ric.transpose() * (Rj.transpose() * Ri - Eigen::Matrix3d::Identity()); Eigen::Matrix3d tmp_r = ric.transpose() * Rj.transpose() * Ri * ric; jaco_ex.rightCols<3>() = -tmp_r * Utility::skewSymmetric(pts_camera_i) + Utility::skewSymmetric(tmp_r * pts_camera_i) + Utility::skewSymmetric(ric.transpose() * (Rj.transpose() * (Ri * tic + Pi - Pj) - tic)); jacobian_ex_pose.leftCols<6>() = reduce * jaco_ex; jacobian_ex_pose.rightCols<1>().setZero(); } if (jacobians[3]) { Eigen::Map<Eigen::Vector2d> jacobian_feature(jacobians[3]); jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i_td * -1.0 / (inv_dep_i * inv_dep_i); } if (jacobians[4]) { Eigen::Map<Eigen::Vector2d> jacobian_td(jacobians[4]); jacobian_td = reduce * ric.transpose() * Rj.transpose() * Ri * ric * velocity_i / inv_dep_i * -1.0 + sqrt_info * velocity_j.head(2); } } sum_t += tic_toc.toc(); return true; }
…详情请参照古月居