转载自古月居：https://mp.weixin.qq.com/s/hoPDnZhT7ltkKib6mqSTcA
原创 lovely_yoshino 古月居 今天
我首先参照网络上的文档整理了全部的代码，并对于C++和OpenCV的一些操作也进行了详细的注释，并写了这篇的博客进行全部的讲解，其中1-4章节是前端VIO信息，5章节是后端DBOW词袋回环，6-7章节是GPS与VIO融合，8章节是参考文献。
1. 程序入口rosNodeTest.cpp
1.1 定义内容
运行程序时，首先进入的是主程序vins_estimator/src/estimator/rosNodeTest.cpp
里边主要定义了估计器、缓存器 、获取传感器数据的函数和一个主函数。
// 获得左目的messagevoid img0_callback(const sensor_msgs::ImageConstPtr &img_msg)// 获得右目的messagevoid img1_callback(const sensor_msgs::ImageConstPtr &img_msg)// 从msg中获取图片，返回值cv::Mat，输入是当前图像msg的指针cv::Mat getImageFromMsg(const sensor_msgs::ImageConstPtr &img_msg)// 从两个主题中提取具有相同时间戳的图像// 并将图像输入到估计器中void sync_process()// 输入imu的msg信息，进行解算并把imu数据输入到estimatorvoid imu_callback(const sensor_msgs::ImuConstPtr &imu_msg)// 把特征点的点云msg输入到estimatorvoid feature_callback(const sensor_msgs::PointCloudConstPtr &feature_msg)// 是否重启estimator，并重新设置参数void restart_callback(const std_msgs::BoolConstPtr &restart_msg)// 是否使用IMUvoid imu_switch_callback(const std_msgs::BoolConstPtr &switch_msg)// 相机的开关void cam_switch_callback(const std_msgs::BoolConstPtr &switch_msg)int main(int argc, char **argv)
1.2 程序执行
1.2.1 获取参数并设置参数
具体的方法在函数，主函数中，主要是执行以下各个步骤订阅ROS信息，然后进行处理。
string config_file = argv[1];printf("config_file: %s\n", argv[1]);//config_file: 4VINS_test/0config/yaml_mynt_s1030/mynt_stereo_imu_config.yamlreadParameters(config_file);// 读取参数estimator.setParameter();// 设置参数/*ros::Subscriber subscribe (const std::string &topic, uint32_t queue_size, void(*fp)(M), const TransportHints &transport_hints=TransportHints())第一个参数是订阅话题的名称；第二个参数是订阅队列的长度；（如果收到的消息都没来得及处理，那么新消息入队，旧消息就会出队）；第三个参数是回调函数的指针，指向回调函数来处理接收到的消息！第四个参数：似乎与延迟有关系，暂时不关心。（该成员函数有13重载）*/ros::Subscriber sub_imu = n.subscribe(IMU_TOPIC, 2000, imu_callback, ros::TransportHints().tcpNoDelay());ros::Subscriber sub_feature = n.subscribe("/feature_tracker/feature", 2000, feature_callback);ros::Subscriber sub_img0 = n.subscribe(IMAGE0_TOPIC, 100, img0_callback);ros::Subscriber sub_img1 = n.subscribe(IMAGE1_TOPIC, 100, img1_callback);ros::Subscriber sub_restart = n.subscribe("/vins_restart", 100, restart_callback);ros::Subscriber sub_imu_switch = n.subscribe("/vins_imu_switch", 100, imu_switch_callback);ros::Subscriber sub_cam_switch = n.subscribe("/vins_cam_switch", 100, cam_switch_callback);std::thread sync_thread{sync_process}; //创建sync_thread线程，指向sync_process，这里边处理了processMeasurements的线程ros::spin(); // 用于触发topic, service的响应队列// 如果你的程序写了相关的消息订阅函数，那么程序在执行过程中，除了主程序以外，ROS还会自动在后台按照你规定的格式，接受订阅的消息，但是所接到的消息并不是// 立刻就被处理，而是必须要等到ros::spin()或ros::spinOnce()执行的时候才被调用，这就是消息回到函数的原理
其中有几个比较重要的函数，在下方进行说明。
1.2.2 imu_callback
其中imu_callback中订阅imu信息，并将器填充到accBuf和gyrBuf中，之后执行了vins_estimator/src/estimator/estimator.cpp中inputIMU函数的fastPredictIMU、pubLatestOdometry函数
fastPredictIMU使用上一时刻的姿态进行快速的imu预积分，这个信息根据processIMU的最新数据Ps[frame_count]、Rs[frame_count]、Vs[frame_count]、Bas[frame_count]、Bgs[frame_count]来进行预积分，从而保证信息能够正常发布。
// 使用上一时刻的姿态进行快速的imu预积分// 用来预测最新P,V,Q的姿态// -latest_p,latest_q,latest_v,latest_acc_0,latest_gyr_0 最新时刻的姿态。这个的作用是为了刷新姿态的输出，但是这个值的误差相对会比较大，是未经过非线性优化获取的初始值。void Estimator::fastPredictIMU(double t, Eigen::Vector3d linear_acceleration, Eigen::Vector3d angular_velocity)
其中latest_Ba、latest_Bb是在预积分处就已经计算完毕的。
// 其中包含了检测关键帧,估计外部参数,初始化,状态估计,划窗等等。/*** 处理一帧图像特征* 1、提取前一帧与当前帧的匹配点* 2、在线标定外参旋转* 利用两帧之间的Camera旋转和IMU积分旋转，构建最小二乘问题，SVD求解外参旋转* 1) Camera系，两帧匹配点计算本质矩阵E，分解得到四个解，根据三角化成功点比例确定最终正确解R、t，得到两帧之间的旋转R* 2) IMU系，积分计算两帧之间的旋转* 3) 根据旋转构建最小二乘问题，SVD求解外参旋转* 3、系统初始化* 4、3d-2d Pnp求解当前帧位姿* 5、三角化当前帧特征点* 6、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）* 7、剔除outlier点* 8、用当前帧与前一帧位姿变换，估计下一帧位姿，初始化下一帧特征点的位置* 9、移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点* 10、删除优化后深度值为负的特征点* @param image 图像帧特征* @param header 时间戳*/void Estimator::processImage(const map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> &image, const double header)
经过fastPredictIMU函数后我们可以拿到latest_P, latest_Q, latest_V三个变量，之后即可通过pubLatestOdometry广播odom信息。
//构建一个odometry的msg并发布void pubLatestOdometry(const Eigen::Vector3d &P, const Eigen::Quaterniond &Q, const Eigen::Vector3d &V, double t)
1.2.3 feature_callback
feature_callback的作用是获取点云数据，之后填充featureFrame，并把featureFrame通过inputFeature输入到estimator，且填充了featureBuf。
/*** 订阅一帧跟踪的特征点，包括3D坐标、像素坐标、速度，交给estimator处理*/void feature_callback(const sensor_msgs::PointCloudConstPtr &feature_msg){map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> featureFrame;for (unsigned int i = 0; i < feature_msg->points.size(); i++){int feature_id = feature_msg->channels[0].values[i];int camera_id = feature_msg->channels[1].values[i];double x = feature_msg->points[i].x;double y = feature_msg->points[i].y;double z = feature_msg->points[i].z;double p_u = feature_msg->channels[2].values[i];double p_v = feature_msg->channels[3].values[i];double velocity_x = feature_msg->channels[4].values[i];double velocity_y = feature_msg->channels[5].values[i];if(feature_msg->channels.size() > 5){double gx = feature_msg->channels[6].values[i];double gy = feature_msg->channels[7].values[i];double gz = feature_msg->channels[8].values[i];pts_gt[feature_id] = Eigen::Vector3d(gx, gy, gz);//printf("receive pts gt %d %f %f %f\n", feature_id, gx, gy, gz);}ROS_ASSERT(z == 1);Eigen::Matrix<double, 7, 1> xyz_uv_velocity;xyz_uv_velocity << x, y, z, p_u, p_v, velocity_x, velocity_y;featureFrame[feature_id].emplace_back(camera_id, xyz_uv_velocity);}double t = feature_msg->header.stamp.toSec();estimator.inputFeature(t, featureFrame);return;}
1.2.4 sync_process
之后通过：
// 从两个图像队列中取出最早的一帧，并从队列删除，双目要求两帧时差不得超过0.003sstd::thread sync_thread{sync_process}; //创建sync_thread线程，指向sync_process，这里边处理了measurementpross的线程
进入sync_process进行处理。
/*** 从两个图像队列中取出最早的一帧，并从队列删除，双目要求两帧时差不得超过0.003s*/void sync_process(){while(1){if(STEREO){cv::Mat image0, image1;std_msgs::Header header;double time = 0;m_buf.lock();if (!img0_buf.empty() && !img1_buf.empty()){double time0 = img0_buf.front()->header.stamp.toSec();double time1 = img1_buf.front()->header.stamp.toSec();// 双目相机左右图像时差不得超过0.003sif(time0 < time1 - 0.003){img0_buf.pop();printf("throw img0\n");}else if(time0 > time1 + 0.003){img1_buf.pop();printf("throw img1\n");}else{// 提取缓存队列中最早一帧图像，并从队列中删除time = img0_buf.front()->header.stamp.toSec();header = img0_buf.front()->header;image0 = getImageFromMsg(img0_buf.front());img0_buf.pop();image1 = getImageFromMsg(img1_buf.front());img1_buf.pop();}}m_buf.unlock();if(!image0.empty())estimator.inputImage(time, image0, image1);}else{cv::Mat image;std_msgs::Header header;double time = 0;m_buf.lock();if(!img0_buf.empty()){time = img0_buf.front()->header.stamp.toSec();header = img0_buf.front()->header;image = getImageFromMsg(img0_buf.front());img0_buf.pop();}m_buf.unlock();if(!image.empty())estimator.inputImage(time, image);}std::chrono::milliseconds dura(2);std::this_thread::sleep_for(dura);}}
该函数中，首先对是否双目进行判断。
如果是双目，需要检测同步问题。对双目的时间进行判断，时间间隔小于0.003s的话则使用getImageFromMsg将其输入到image0和image1变量之中。之后estimator.inputImage。
如果是单目，则直接estimator.inputImage。
2. 图像输入estimator.cpp
2.1 inputImage
/*** 输入一帧图像* 1、featureTracker，提取当前帧特征点* 2、添加一帧特征点，processMeasurements处理*/void Estimator::inputImage(double t, const cv::Mat &_img, const cv::Mat &_img1){inputImageCnt++;// 特征点id，(x,y,z,pu,pv,vx,vy)map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> featureFrame;TicToc featureTrackerTime;/*** 跟踪一帧图像，提取当前帧特征点* 1、用前一帧运动估计特征点在当前帧中的位置，如果特征点没有速度，就直接用前一帧该点位置* 2、LK光流跟踪前一帧的特征点，正反向，删除跟丢的点；如果是双目，进行左右匹配，只删右目跟丢的特征点* 3、对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩阵，用极线约束进一步剔除outlier点（代码注释掉了）* 4、如果特征点不够，剩余的用角点来凑；更新特征点跟踪次数* 5、计算特征点归一化相机平面坐标，并计算相对与前一帧移动速度* 6、保存当前帧特征点数据（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）* 7、展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点*/if(_img1.empty())featureFrame = featureTracker.trackImage(t, _img);elsefeatureFrame = featureTracker.trackImage(t, _img, _img1);//printf("featureTracker time: %f\n", featureTrackerTime.toc());// 发布跟踪图像if (SHOW_TRACK){cv::Mat imgTrack = featureTracker.getTrackImage();pubTrackImage(imgTrack, t);}// 添加一帧特征点，处理if(MULTIPLE_THREAD){if(inputImageCnt % 2 == 0){mBuf.lock();featureBuf.push(make_pair(t, featureFrame));mBuf.unlock();}}else{mBuf.lock();featureBuf.push(make_pair(t, featureFrame));mBuf.unlock();TicToc processTime;processMeasurements();printf("process time: %f\n", processTime.toc());}}
当中需要先设置参数，并开启processMeasurements线程。
setParameter();然后追踪图像上的特征trackImage，之后会进行详解,其中得到了featureFrame。
if(_img1.empty())featureFrame = featureTracker.trackImage(t, _img);// 追踪单目elsefeatureFrame = featureTracker.trackImage(t, _img, _img1);// 追踪双目
然后，getTrackImage对特征到跟踪的图像进行一些处理。并把追踪的图片imgTrack发布出去。
if (SHOW_TRACK)//这个应该是展示轨迹{cv::Mat imgTrack = featureTracker.getTrackImage();pubTrackImage(imgTrack, t);}
然后，填充featureBuf。
最后执行processMeasurements，这是处理全部量测的线程,IMU的预积分,特征点的处理等等都在这里进行。
2.2 trackImage
根据2.1的讲述，我们发现当中用到了trackImage这个函数，这个函数在
vins_estimator/src/featureTracker/feature_tracker.cpp。
/*** 跟踪一帧图像，提取当前帧特征点* 1、用前一帧运动估计特征点在当前帧中的位置* 2、LK光流跟踪前一帧的特征点，正反向，删除跟丢的点；如果是双目，进行左右匹配，只删右目跟丢的特征点* 3、对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩阵，用极线约束进一步剔除outlier点（代码注释掉了）* 4、如果特征点不够，剩余的用角点来凑；更新特征点跟踪次数* 5、计算特征点归一化相机平面坐标，并计算相对与前一帧移动速度* 6、保存当前帧特征点数据（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）* 7、展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点*/map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> FeatureTracker::trackImage(double _cur_time, const cv::Mat &_img, const cv::Mat &_img1)
图像处理可以添加图像处理的部分，比如直方图均衡等等方法。
{cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(3.0, cv::Size(8, 8));//createCLAHE 直方图均衡clahe->apply(cur_img, cur_img);if(!rightImg.empty())clahe->apply(rightImg, rightImg);}
2.2.1 hasPrediction
会对上一帧的特征点进行处理，计算出上一帧运动估计特征点在当前帧中的位置。对于前后帧用LK光流跟踪到的匹配特征点，计算基础矩。
if(hasPrediction){cur_pts = predict_pts;// LK光流跟踪两帧图像特征点，金字塔为1层cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 1,cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);// 跟踪到的特征点数量int succ_num = 0;for (size_t i = 0; i < status.size(); i++){if (status[i])succ_num++;}// 特征点太少，金字塔调整为3层，再跟踪一次if (succ_num < 10)cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 3);}
2.2.2 if(SHOW_TRACK)
画出追踪情况，就是在图像上的特征点位置出画圈圈，如果是双目的话就连线。
// 展示，左图特征点用颜色区分跟踪次数（红色少，蓝色多），画个箭头指向前一帧特征点位置，如果是双目，右图画个绿色点if(SHOW_TRACK)drawTrack(cur_img, rightImg, ids, cur_pts, cur_right_pts, prevLeftPtsMap);
2.2.3 setMask
在已跟踪到角点的位置上，将mask对应位置上设为0,
意为在cv::goodFeaturesToTrack(forw_img, n_pts, MAX_CNT - forw_pts.size(), 0.01, MIN_DIST, mask);进行操作时在该点不再重复进行角点检测，这样可以使角点分布更加均匀。具体详情见开源的注释代码。
/*** 特征点画个圈（半径MIN_DIST）存mask图，同时特征点集合按跟踪次数从大到小重排序*/void FeatureTracker::setMask()
2.2.4 goodFeaturesToTrack
如果当前图像的特征点cur_pts数目小于规定的最大特征点数目MAX_CNT，则进行提取。提取使用的cv::goodFeaturesToTrack。将点保存到n_pts。
/* goodFeaturesToTrack_image：8位或32位浮点型输入图像，单通道_corners：保存检测出的角点maxCorners：角点数目最大值，如果实际检测的角点超过此值，则只返回前maxCorners个强角点qualityLevel：角点的品质因子minDistance：对于初选出的角点而言，如果在其周围minDistance范围内存在其他更强角点，则将此角点删除_mask：指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROIblockSize：计算协方差矩阵时的窗口大小useHarrisDetector：指示是否使用Harris角点检测，如不指定，则计算shi-tomasi角点harrisK：Harris角点检测需要的k值 */cv::goodFeaturesToTrack(cur_img, n_pts, MAX_CNT - cur_pts.size(), 0.01, MIN_DIST, mask);// mask 这里肯定是指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROI
之后将n_pts保存到cur_pts之中。
2.2.5 undistortedPts
将像素座标系下的座标，转换为归一化相机座标系下的座标 即un_pts为归一化相机座标系下的座标。
/*** 像素点计算归一化相机平面点，带畸变校正*/vector<cv::Point2f> FeatureTracker::undistortedPts(vector<cv::Point2f> &pts, camodocal::CameraPtr cam){vector<cv::Point2f> un_pts;for (unsigned int i = 0; i < pts.size(); i++){// 特征点像素坐标Eigen::Vector2d a(pts[i].x, pts[i].y);Eigen::Vector3d b;// 像素点计算归一化相机平面点，带畸变校正cam->liftProjective(a, b);// 归一化相机平面点un_pts.push_back(cv::Point2f(b.x() / b.z(), b.y() / b.z()));}return un_pts;}
2.2.6 cam->liftProjective(a, b)
这个函数是对鱼眼相机模型的标定及去畸变过程。
/*** \brief Lifts a point from the image plane to its projective ray* \param p image coordinates* \param P coordinates of the projective ray* 这个函数是对鱼眼相机模型的标定及去畸变过程*/voidPinholeCamera::liftProjective(const Eigen::Vector2d& p, Eigen::Vector3d& P) const
之后通过ptsVelocity计算当前帧相对于前一帧 特征点沿x,y方向的像素移动速度。
/*** 计算当前帧归一化相机平面特征点在x、y方向上的移动速度* @param pts 当前帧归一化相机平面特征点*/vector<cv::Point2f> FeatureTracker::ptsVelocity(vector<int> &ids, vector<cv::Point2f> &pts,map<int, cv::Point2f> &cur_id_pts, map<int, cv::Point2f> &prev_id_pts){vector<cv::Point2f> pts_velocity;cur_id_pts.clear();for (unsigned int i = 0; i < ids.size(); i++){cur_id_pts.insert(make_pair(ids[i], pts[i]));}// caculate points velocityif (!prev_id_pts.empty()){double dt = cur_time - prev_time;// 遍历当前帧归一化相机平面特征点for (unsigned int i = 0; i < pts.size(); i++){std::map<int, cv::Point2f>::iterator it;it = prev_id_pts.find(ids[i]);if (it != prev_id_pts.end()){// 计算点在归一化相机平面上x、y方向的移动速度double v_x = (pts[i].x - it->second.x) / dt;double v_y = (pts[i].y - it->second.y) / dt;pts_velocity.push_back(cv::Point2f(v_x, v_y));}elsepts_velocity.push_back(cv::Point2f(0, 0));}}else{for (unsigned int i = 0; i < cur_pts.size(); i++){pts_velocity.push_back(cv::Point2f(0, 0));}}return pts_velocity;}
2.3 双目摄像头
如果是双目相机，那么在右目上追踪左目的特征点。使用的函数是calcOpticalFlowPyrLK。
/*光流跟踪是在左右两幅图像之间进行cur left ---- cur rightprevImg 第一幅8位输入图像 或 由buildOpticalFlowPyramid()构造的金字塔。nextImg 第二幅与preImg大小和类型相同的输入图像或金字塔。prevPts 光流法需要找到的二维点的vector。点坐标必须是单精度浮点数。nextPts 可以作为输入，也可以作为输出。包含输入特征在第二幅图像中计算出的新位置的二维点（单精度浮点坐标）的输出vector。当使用OPTFLOW_USE_INITIAL_FLOW 标志时，nextPts的vector必须与input的大小相同。status 输出状态vector(类型：unsigned chars)。如果找到了对应特征的流，则将向量的每个元素设置为1；否则，置0。err 误差输出vector。vector的每个元素被设置为对应特征的误差，可以在flags参数中设置误差度量的类型；如果没有找到流，则未定义误差（使用status参数来查找此类情况）。winSize 每级金字塔的搜索窗口大小。maxLevel 基于最大金字塔层次数。如果设置为0，则不使用金字塔（单级）；如果设置为1，则使用两个级别，等等。如果金字塔被传递到input，那么算法使用的级别与金字塔同级别但不大于MaxLevel。criteria 指定迭代搜索算法的终止准则（在指定的最大迭代次数标准值（criteria.maxCount）之后，或者当搜索窗口移动小于criteria.epsilon。）flags 操作标志，可选参数：OPTFLOW_USE_INITIAL_FLOW：使用初始估计，存储在nextPts中；如果未设置标志，则将prevPts复制到nextPts并被视为初始估计。OPTFLOW_LK_GET_MIN_EIGENVALS：使用最小本征值作为误差度量（见minEigThreshold描述）；如果未设置标志，则将原始周围的一小部分和移动的点之间的 L1 距离除以窗口中的像素数，作为误差度量。minEigThreshold算法所计算的光流方程的2x2标准矩阵的最小本征值（该矩阵称为[Bouguet00]中的空间梯度矩阵）÷ 窗口中的像素数。如果该值小于MinEigThreshold，则过滤掉相应的特征，相应的流也不进行处理。因此可以移除不好的点并提升性能。*/cv::calcOpticalFlowPyrLK(cur_img, rightImg, cur_pts, cur_right_pts, status, err, cv::Size(21, 21), 3);2.3.1 if(FLOW_BACK)如果这个打开，就想前边的左右目图像的位置换一下，在进行一次特征跟踪，目的是反向跟踪，得到左右目都匹配到的点// 反向LK光流计算一次if(FLOW_BACK){vector<uchar> reverse_status;vector<cv::Point2f> reverse_pts = prev_pts;cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 1,cv::TermCriteria(cv::TermCriteria::COUNT+cv::TermCriteria::EPS, 30, 0.01), cv::OPTFLOW_USE_INITIAL_FLOW);//cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 3);// 正向、反向都匹配到了，且用正向匹配点反向匹配回来，与原始点距离不超过0.5个像素，认为跟踪到了for(size_t i = 0; i < status.size(); i++){if(status[i] && reverse_status[i] && distance(prev_pts[i], reverse_pts[i]) <= 0.5){status[i] = 1;}elsestatus[i] = 0;}}
之后和单目一样执行undistortedPts 和 ptsVelocity。
2.3.2 制作featureFrame
// 添加当前帧特征点（归一化相机平面坐标，像素坐标，归一化相机平面移动速度）map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> featureFrame;
其中，camera_id = 0为左目上的点，camera_id = 1，为右目上的点。
3. IMU处理estimator.cpp
3.1 判断IMU数据是否可用
if ((!USE_IMU || IMUAvailable(feature.first + td)))//如果不用imu或者超时其中，
// 判断输入的时间t时候的imu是否可用bool Estimator::IMUAvailable(double t)
3.2 获得accVector和gyrVector
对imu的时间进行判断，讲队列里的imu数据放入到accVector和gyrVector中。
// 对imu的时间进行判断，讲队列里的imu数据放入到accVector和gyrVector中，完成之后返回truebool Estimator::getIMUInterval(double t0, double t1, vector<pair<double, Eigen::Vector3d>> &accVector,vector<pair<double, Eigen::Vector3d>> &gyrVector)
3.3 初始化IMU的姿态
initFirstIMUPose,其实很简单,就是求一个姿态角,然后把航向角设为0。
//第一帧IMU姿态初始化// 用初始时刻加速度方向对齐重力加速度方向，得到一个旋转，使得初始IMU的z轴指向重力加速度方向void Estimator::initFirstIMUPose(vector<pair<double, Eigen::Vector3d>> &accVector)
3.4 处理IMU数据,运行processIMU
/*** 处理一帧IMU，积分* 用前一图像帧位姿，前一图像帧与当前图像帧之间的IMU数据，积分计算得到当前图像帧位姿* Rs，Ps，Vs* @param t 当前时刻* @param dt 与前一帧时间间隔* @param linear_acceleration 当前时刻加速度* @param angular_velocity 当前时刻角速度*/void Estimator::processIMU(double t, double dt, const Vector3d &linear_acceleration, const Vector3d &angular_velocity)
其中frame_count是值窗内的第几帧图像，下边是新建一个预积分项目。
pre_integrations[frame_count] = new IntegrationBase{acc_0, gyr_0, Bas[frame_count], Bgs[frame_count]};预积分：
pre_integrations[frame_count]->push_back(dt, linear_acceleration, angular_velocity);// push_back重载的时候就已经进行了预积分
其中的push_back：
void push_back(double dt, const Eigen::Vector3d &acc, const Eigen::Vector3d &gyr){dt_buf.push_back(dt);acc_buf.push_back(acc);gyr_buf.push_back(gyr);propagate(dt, acc, gyr);}其中的propagate// IMU预积分传播方程// 积分计算两个关键帧之间IMU测量的变化量// 同时维护更新预积分的Jacobian和Covariance,计算优化时必要的参数/*** IMU中值积分传播* 1、前一时刻状态计算当前时刻状态，PVQ，Ba，Bg* 2、计算当前时刻的误差Jacobian，误差协方差 todo*/void propagate(double _dt, const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1){dt = _dt;acc_1 = _acc_1;gyr_1 = _gyr_1;Vector3d result_delta_p;Quaterniond result_delta_q;Vector3d result_delta_v;Vector3d result_linearized_ba;Vector3d result_linearized_bg;/*** 中值积分* 1、前一时刻状态计算当前时刻状态，PVQ，其中Ba，Bg保持不变* 2、计算当前时刻的误差Jacobian，误差协方差 todo*/midPointIntegration(_dt, acc_0, gyr_0, _acc_1, _gyr_1, delta_p, delta_q, delta_v,linearized_ba, linearized_bg,result_delta_p, result_delta_q, result_delta_v,result_linearized_ba, result_linearized_bg, 1);//checkJacobian(_dt, acc_0, gyr_0, acc_1, gyr_1, delta_p, delta_q, delta_v,// linearized_ba, linearized_bg);delta_p = result_delta_p;delta_q = result_delta_q;delta_v = result_delta_v;linearized_ba = result_linearized_ba;linearized_bg = result_linearized_bg;delta_q.normalize();sum_dt += dt;acc_0 = acc_1;gyr_0 = gyr_1;}
其中的midPointIntegration.这里边就涉及到了IMU的传播方针和协方差矩阵.雅克比矩阵等等.哪里不懂可以VIO的理论知识。
// 中值积分递推Jacobian和Covariance// _acc_0上次测量加速度 _acc_1本次测量加速度 delta_p上一次的位移 result_delta_p位置变化量计算结果 update_jacobian是否更新雅克比基本方法就涉及到了IMU的创博方针和器方差矩阵的窗哦sdfvoid midPointIntegration(double _dt,const Eigen::Vector3d &_acc_0, const Eigen::Vector3d &_gyr_0,const Eigen::Vector3d &_acc_1, const Eigen::Vector3d &_gyr_1,const Eigen::Vector3d &delta_p, const Eigen::Quaterniond &delta_q, const Eigen::Vector3d &delta_v,const Eigen::Vector3d &linearized_ba, const Eigen::Vector3d &linearized_bg,Eigen::Vector3d &result_delta_p, Eigen::Quaterniond &result_delta_q, Eigen::Vector3d &result_delta_v,Eigen::Vector3d &result_linearized_ba, Eigen::Vector3d &result_linearized_bg, bool update_jacobian)
之后计算对应绝对坐标系下的位置等。
// Rs Ps Vs是frame_count这一个图像帧开始的预积分值,是在绝对坐标系下的.int j = frame_count;Vector3d un_acc_0 = Rs[j] * (acc_0 - Bas[j]) - g;//移除了偏执的加速度Vector3d un_gyr = 0.5 * (gyr_0 + angular_velocity) - Bgs[j];//移除了偏执的gyroRs[j] *= Utility::deltaQ(un_gyr * dt).toRotationMatrix();Vector3d un_acc_1 = Rs[j] * (linear_acceleration - Bas[j]) - g;Vector3d un_acc = 0.5 * (un_acc_0 + un_acc_1);Ps[j] += dt * Vs[j] + 0.5 * dt * dt * un_acc;Vs[j] += dt * un_acc;
4. 图像处理estimator.cpp
4.1 processImage
函数入口processMeasurements中的processImage(feature.second, feature.first);输入的之后关键帧和时间。
/* addFeatureCheckParallax对当前帧与之前帧进行视差比较，如果是当前帧变化很小，就会删去倒数第二帧，如果变化很大，就删去最旧的帧。并把这一帧作为新的关键帧这样也就保证了划窗内优化的,除了最后一帧可能不是关键帧外,其余的都是关键帧VINS里为了控制优化计算量，在实时情况下，只对当前帧之前某一部分帧进行优化，而不是全部历史帧。局部优化帧的数量就是窗口大小。为了维持窗口大小，需要去除旧的帧添加新的帧，也就是边缘化 Marginalization。到底是删去最旧的帧（MARGIN_OLD）还是删去刚刚进来窗口倒数第二帧(MARGIN_SECOND_NEW)如果大于最小像素,则返回true *//*** 添加特征点记录，并检查当前帧是否为关键帧* @param frame_count 当前帧在滑窗中的索引* @param image 当前帧特征（featureId，cameraId，feature）*/bool FeatureManager::addFeatureCheckParallax(int frame_count, const map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> &image, double td)
判断之后，确定marg掉那个帧。
// 检测关键帧if (f_manager.addFeatureCheckParallax(frame_count, image, td)){marginalization_flag = MARGIN_OLD;//新一阵将被作为关键帧!//printf("keyframe\n");}else{marginalization_flag = MARGIN_SECOND_NEW;//printf("non-keyframe\n");}
4.2 估计相机和IMU的外参
// 当前帧预积分（前一帧与当前帧之间的IMU预积分）imageframe.pre_integration = tmp_pre_integration;all_image_frame.insert(make_pair(header, imageframe));// 重置预积分器tmp_pre_integration = new IntegrationBase{acc_0, gyr_0, Bas[frame_count], Bgs[frame_count]};// 估计一个外部参,并把ESTIMATE_EXTRINSIC置1,输出ric和RICif(ESTIMATE_EXTRINSIC == 2)
首先找到对应的图像。
vector<pair<Vector3d, Vector3d>> corres = f_manager.getCorresponding(frame_count - 1, frame_count);// 这个里边放的是新图像和上一帧
使用CalibrationExRotation计算参数。
/* CalibrationExRotation当外参完全不知道的时候，可以在线对其进行初步估计,然后在后续优化时，会在optimize函数中再次优化。输入是新图像和上一阵图像的位姿 和二者之间的imu预积分值,输出旋转矩阵对应VIO课程第七讲中对外参矩阵的求解 */bool InitialEXRotation::CalibrationExRotation(vector<pair<Vector3d, Vector3d>> corres, Quaterniond delta_q_imu, Matrix3d &calib_ric_result)
4.3 如果没有初始化,那么就先进行初始化
4.3.1 单目+IMU的初始化
// monocular + IMU initilization// 单目+IMU系统初始化if (!STEREO && USE_IMU){// 要求滑窗满if (frame_count == WINDOW_SIZE){bool result = false;// 如果上次初始化没有成功，要求间隔0.1sif(ESTIMATE_EXTRINSIC != 2 && (header - initial_timestamp) > 0.1){/*** todo* 系统初始化* 1、计算滑窗内IMU加速度的标准差，用于判断移动快慢* 2、在滑窗中找到与当前帧具有足够大的视差，同时匹配较为准确的一帧，计算相对位姿变换* 1) 提取滑窗中每帧与当前帧之间的匹配点（要求点在两帧之间一直被跟踪到，属于稳定共视点），超过20个则计算视差* 2) 两帧匹配点计算本质矩阵E，恢复R、t* 3) 视差超过30像素，匹配内点数超过12个，则认为符合要求，返回当前帧* 3、以上面找到的这一帧为参考系，Pnp计算滑窗每帧位姿，然后三角化所有特征点，构建BA（最小化点三角化前后误差）优化每帧位姿* 1) 3d-2d Pnp求解每帧位姿* 2) 对每帧与l帧、当前帧三角化* 3) 构建BA，最小化点三角化前后误差，优化每帧位姿* 4) 保存三角化点* 4、对滑窗中所有帧执行Pnp优化位姿* 5、Camera与IMU初始化，零偏、尺度、重力方向*/result = initialStructure();initial_timestamp = header;}if(result){// 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）optimization();// 用优化后的当前帧位姿更新IMU积分的基础位姿，用于展示IMU轨迹updateLatestStates();solver_flag = NON_LINEAR;// 移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点slideWindow();ROS_INFO("Initialization finish!");}else// 移动滑窗，更新特征点的观测帧集合、观测帧索引（在滑窗中的位置）、首帧观测帧和深度值，删除没有观测帧的特征点slideWindow();}}
其中的initialStructure还含有很多函数。
// 视觉和惯性的对其,对应https://mp.weixin.qq.com/s/9twYJMOE8oydAzqND0UmFw中的visualInitialAlign/* visualInitialAlign很具VIO课程第七讲:一共分为5步:1估计旋转外参. 2估计陀螺仪bias 3估计中立方向,速度.尺度初始值 4对重力加速度进一步优化 5将轨迹对其到世界坐标系 */bool Estimator::visualInitialAlign()// 视觉IMu的对其bool VisualIMUAlignment(map<double, ImageFrame> &all_image_frame, Vector3d* Bgs, Vector3d &g, VectorXd &x)// 更新得到新的陀螺仪漂移Bgs// 对应视觉IMU对其的第二部分// 对应https://mp.weixin.qq.com/s/9twYJMOE8oydAzqND0UmFw中的公式31-34void solveGyroscopeBias(map<double, ImageFrame> &all_image_frame, Vector3d* Bgs)// 初始化速度、重力和尺度因子// 对应 https://mp.weixin.qq.com/s/9twYJMOE8oydAzqND0UmFw 中的公式34-36bool LinearAlignment(map<double, ImageFrame> &all_image_frame, Vector3d &g, VectorXd &x)
成功初始化之后则执行，optimization()、 updateLatestStates() 、slideWindow()。
if(result)//如果初始化成功{optimization();//先进行一次滑动窗口非线性优化，得到当前帧与第一帧的位姿updateLatestStates();solver_flag = NON_LINEAR;slideWindow();//滑动窗口ROS_INFO("Initialization finish!");}else//滑掉这一窗slideWindow();
updateLatestStates() 和slideWindow()这两个函数比较简单。
// 让此时刻的值都等于上一时刻的值,用来更新状态void Estimator::updateLatestStates()// 滑动窗口法void Estimator::slideWindow()// 道理很简单,就是把前后元素交换
optimization()为基于滑动窗口的紧耦合的非线性优化，残差项的构造和求解。
/*** 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）*/void Estimator::optimization()4.3.2 双目+IMU初始化// stereo + IMU initilizationif(STEREO && USE_IMU)
求解深度。
// 双目三角化// 结果放入了feature的estimated_depth中void FeatureManager::triangulate(int frameCnt, Vector3d Ps[], Matrix3d Rs[], Vector3d tic[], Matrix3d ric[])// 利用svd方法对双目进行三角化void FeatureManager::triangulatePoint(Eigen::Matrix<double, 3, 4> &Pose0, Eigen::Matrix<double, 3, 4> &Pose1,Eigen::Vector2d &point0, Eigen::Vector2d &point1, Eigen::Vector3d &point_3d)
有了深度之后就可以进行PnP求解。
// 有了深度，当下一帧照片来到以后就可以利用pnp求解位姿了void FeatureManager::initFramePoseByPnP(int frameCnt, Vector3d Ps[], Matrix3d Rs[], Vector3d tic[], Matrix3d ric[])
之后求解陀螺仪的偏执,并对IMU预积分值进行重新传播。
solveGyroscopeBias(all_image_frame, Bgs);// 对之前预积分得到的结果进行更新。// 预积分的好处查看就在于你得到新的Bgs，不需要又重新再积分一遍，可以通过Bgs对位姿，速度的一阶导数，进行线性近似，得到新的Bgs求解出MU的最终结果。for (int i = 0; i <= WINDOW_SIZE; i++){pre_integrations[i]->repropagate(Vector3d::Zero(), Bgs[i]);}
进行优化：
optimization();updateLatestStates();solver_flag = NON_LINEAR;slideWindow();
其中的optimization()、updateLatestStates()、 slideWindow()在下一篇博客进行讲解。
4.3.3双目初始化
// stereo only initilizationif(STEREO && !USE_IMU){f_manager.initFramePoseByPnP(frame_count, Ps, Rs, tic, ric);f_manager.triangulate(frame_count, Ps, Rs, tic, ric);optimization();if(frame_count == WINDOW_SIZE){optimization();updateLatestStates();solver_flag = NON_LINEAR;slideWindow();ROS_INFO("Initialization finish!");}}
5. 回环检测pose_graph_node.cpp
本节主要讲loop_fusion包的程序结构，loop_fusion主要作用：利用词袋模型进行图像的回环检测。在vinsmono中，该程序包处于pose_graph包内。vins_fusion与vins_mono一个差别在于，回环检测的点云数据在mono中有回调供给VIO进行非线性优化，而在fusion中，VIO估计完全独立于回环检测的结果。即回环检测的全局估计会受到VIO的影响，但是VIO不受全局估计的影响。（这个意思是fusion我们可以单独使用VIO部分）
5.1 程序入口
5.1.1 读取配置文件
通过fsSetting进行相应的参数配置，其中比较重要的是读入了vocabulary_file,即在support_files里面的brief_k10L6.bin。以及BRIEF_PATTERN_FILE。通过posegraph.loadVocabulary为posegraph的类成员 BriefDatabase db设置属性以及BriefVocabulary voc赋值。以及为BRIEF_PATTERN_FILE赋值。为后期keyframe的构建创造一个基础。
cv::FileStorage fsSettings(config_file, cv::FileStorage::READ);if(!fsSettings.isOpened()){std::cerr << "ERROR: Wrong path to settings" << std::endl;}cameraposevisual.setScale(0.1);cameraposevisual.setLineWidth(0.01);std::string IMAGE_TOPIC;int LOAD_PREVIOUS_POSE_GRAPH;ROW = fsSettings["image_height"];COL = fsSettings["image_width"];std::string pkg_path = ros::package::getPath("loop_fusion");string vocabulary_file = pkg_path + "/../support_files/brief_k10L6.bin";cout << "vocabulary_file" << vocabulary_file << endl;posegraph.loadVocabulary(vocabulary_file);BRIEF_PATTERN_FILE = pkg_path + "/../support_files/brief_pattern.yml";cout << "BRIEF_PATTERN_FILE" << BRIEF_PATTERN_FILE << endl;
5.1.2 LOAD_PREVIOUS_POSE_GRAPH
即是否要加载原有的地图信息，如果加载了之前的信息，则posegraph.loadPoseGraph，之前所有的关键帧的序号sequence都设置为0，base_sequence也是0。不过不加载之前的信息，base_sequence=1。
if (LOAD_PREVIOUS_POSE_GRAPH){printf("load pose graph\n");m_process.lock();posegraph.loadPoseGraph();m_process.unlock();printf("load pose graph finish\n");load_flag = 1;}else{printf("no previous pose graph\n");load_flag = 1;}
5.1.3 订阅话题，发布话题
// 订阅里程计ros::Subscriber sub_vio = n.subscribe("/vins_estimator/odometry", 2000, vio_callback);// 订阅图像ros::Subscriber sub_image = n.subscribe(IMAGE_TOPIC, 2000, image_callback);// 订阅关键帧位姿ros::Subscriber sub_pose = n.subscribe("/vins_estimator/keyframe_pose", 2000, pose_callback);// 订阅外参ros::Subscriber sub_extrinsic = n.subscribe("/vins_estimator/extrinsic", 2000, extrinsic_callback);// 订阅关键帧特征点ros::Subscriber sub_point = n.subscribe("/vins_estimator/keyframe_point", 2000, point_callback);//ros::Subscriber sub_margin_point = n.subscribe("/vins_estimator/margin_cloud", 2000, margin_point_callback);pub_match_img = n.advertise<sensor_msgs::Image>("match_image", 1000);pub_camera_pose_visual = n.advertise<visualization_msgs::MarkerArray>("camera_pose_visual", 1000);pub_point_cloud = n.advertise<sensor_msgs::PointCloud>("point_cloud_loop_rect", 1000);pub_margin_cloud = n.advertise<sensor_msgs::PointCloud>("margin_cloud_loop_rect", 1000);pub_odometry_rect = n.advertise<nav_msgs::Odometry>("odometry_rect", 1000);
process && command
process主要的作用是开启一个新线程，这一块为程序的主要执行部分，我们下一节详细阐述。而command是开启一个控制台键盘控制线程。键盘控制输入，有提供两种选择，在控制台上写入：‘s’：把当前Posegraph存储起来，并且把整个loop_fusion包的进程关掉。‘n’：图像更新序列,new_sequence()。
void command(){while(1){char c = getchar();if (c == 's'){m_process.lock();posegraph.savePoseGraph();m_process.unlock();printf("save pose graph finish\nyou can set 'load_previous_pose_graph' to 1 in the config file to reuse it next time\n");printf("program shutting down...\n");ros::shutdown();}if (c == 'n')new_sequence();std::chrono::milliseconds dura(5);std::this_thread::sleep_for(dura);}}
5.2 process
5.2.1 数据输入
首先process需要先判断image_buf,pose_buf,point_buf三个buff都不为空的时候，才进行运行，否则程序就休息5毫秒，继续监测。
// find out the messages with same time stamp// 时间戳对齐m_buf.lock();if(!image_buf.empty() && !point_buf.empty() && !pose_buf.empty())
其中：
（1）image_buf，存放image_callback()图像回调函数的信息，接收相机话题的原始图片。并且当两张图片的时间戳相差1秒，或者说当图像的时间戳小于上一帧的时间戳，可以认为图像出现新序列，因此new_sequence()
（2）point_buf，存放point_callback()关键帧的三维特征点信息的回调。并且在这个回调函数中，同时利用point_cloud标准数据结构发布特征点三维点云以供可视化操作。发布的话题为：point_cloud_loop_rect。注意，此时的点云信息不是单纯vio得到的点云信息，而是在pose_graph参考坐标系下，关键帧点云的位置。因为vio自己有一个参考坐标系，而pose_graph求解出来的位姿图也有自己的坐标系，这两个坐标系有一个变换关系，写在了pose_graph.r_drift,pose_graph.t_drift里面。
（3）pose_buf，存放pose_callback()回调函数的信息。订阅的是关键帧的vio得到的关键帧的位姿信息。
从上面订阅的信息我们可以看出，只有当相机有关键帧的时候（vins_estimator中有对应的规则判断该帧是不是关键帧），才会进行进一步处理，整个loop_fusion处理的信息不是原始图像，而是一帧帧关键帧。
接着程序开始找一帧keyframe 对应的image_buf，point_buf，pose_buf三者的数据。即point_buf和pose_buf这个存储的点云和位姿是对应（image_buf里面的）哪一帧关键帧。最终的结果：
（1）image_msg存放关键帧的图像原始信息
（2）point_msg存放了该关键帧里面的3D点云信息，由VIO以及pose_graph.r_drift, pose_graph.t_drift 解算得到。
（3）pose_msg存放了该关键帧的位姿信息。
if(!image_buf.empty() && !point_buf.empty() && !pose_buf.empty()){if (image_buf.front()->header.stamp.toSec() > pose_buf.front()->header.stamp.toSec()){pose_buf.pop();printf("throw pose at beginning\n");}else if (image_buf.front()->header.stamp.toSec() > point_buf.front()->header.stamp.toSec()){point_buf.pop();printf("throw point at beginning\n");}else if (image_buf.back()->header.stamp.toSec() >= pose_buf.front()->header.stamp.toSec()&& point_buf.back()->header.stamp.toSec() >= pose_buf.front()->header.stamp.toSec()){pose_msg = pose_buf.front();pose_buf.pop();while (!pose_buf.empty())pose_buf.pop();while (image_buf.front()->header.stamp.toSec() < pose_msg->header.stamp.toSec())image_buf.pop();image_msg = image_buf.front();image_buf.pop();while (point_buf.front()->header.stamp.toSec() < pose_msg->header.stamp.toSec())point_buf.pop();point_msg = point_buf.front();point_buf.pop();}}
5.2.2 关键帧
根据上面得到的三个信息，来构造关键帧！！用数据结构KeyFrame来表示，这里用了十个变量的KeyFrame构造函数来构造这个关键帧，十个变量的KeyFrame来构造函数默认没有brief_descriptor，因为我们VIO前端提取的并不需要特征点的描述子。在构造关键帧的时候，函数同时又增加了阈值大于20的FAST角点，来增加关键帧特征点的数量，同时，对这些特征点用相应的描述子来进行表述。
构造出一个向量容器，用来存放所有特征点的描述子，即KeyFrame类成员 vector<BRIEF::bitset> brief_descriptors（在keyframe.cpp文件中）。
注意点：只有当两个关键帧之间的位移量(T - last_t).norm() > SKIP_DIS时候，才会构造新的关键帧。但是程序默认的SKIP_DIS为0。就是除非T和last_t完全相等，否则就会进入构造函数。
构造好的keyframe，通过posegraph.addKeyFrame(keyframe,1)，加入到全局姿态图当中去，第二个参数代表是需要回环检测detect_loop，这里直接默认设置需要。
// 位姿平移量间隔（关键帧）if((T - last_t).norm() > SKIP_DIS){vector<cv::Point3f> point_3d;vector<cv::Point2f> point_2d_uv;vector<cv::Point2f> point_2d_normal;vector<double> point_id;// 特征点for (unsigned int i = 0; i < point_msg->points.size(); i++){cv::Point3f p_3d;p_3d.x = point_msg->points[i].x;p_3d.y = point_msg->points[i].y;p_3d.z = point_msg->points[i].z;// 世界坐标point_3d.push_back(p_3d);cv::Point2f p_2d_uv, p_2d_normal;double p_id;p_2d_normal.x = point_msg->channels[i].values[0];p_2d_normal.y = point_msg->channels[i].values[1];p_2d_uv.x = point_msg->channels[i].values[2];p_2d_uv.y = point_msg->channels[i].values[3];p_id = point_msg->channels[i].values[4];// 归一化相机平面坐标point_2d_normal.push_back(p_2d_normal);// 像素坐标point_2d_uv.push_back(p_2d_uv);// 特征点idpoint_id.push_back(p_id);//printf("u %f, v %f \n", p_2d_uv.x, p_2d_uv.y);}// 构造关键帧KeyFrame* keyframe = new KeyFrame(pose_msg->header.stamp.toSec(), frame_index, T, R, image,point_3d, point_2d_uv, point_2d_normal, point_id, sequence);m_process.lock();start_flag = 1;// 添加关键帧posegraph.addKeyFrame(keyframe, 1);m_process.unlock();frame_index++;last_t = T;
5.3 PoseGraph
PoseGraph作为loop_fusion整个程序里面最重量级的类。整个程序都是维护这个main函数里面定义的全局变量PoseGraph posegraph来进行的。通过PoseGraph 的类函数，addKeyFrame来进行关键帧的添加。
list<KeyFrame*>keyframelist 作为最重要的类成员，整个回环检测的过程就是用来维护这个关键帧链表list，当检测到回环的时候，更新这个链表的数据，即关键帧的位姿。
BriefDatabase db 图像数据库信息，通过不断更新这个数据库，可以用来查询，即回环检测有没有回到之前曾经来过的地方。
5.3.1 addKeyFrame
检查该关键帧的序号是否有跳变，在整个loop_fusion里面，每当出现new_sequence()时候，关键帧的sequence会自增1，为什么一直需要关心一个关键帧的sequence呢？因为这里一个关键帧的位姿的参考系是建立在某一个sequence下面的，不同的sequence对应了不同w_t_vio,w_r_vio，就是该sequence 和base_sequence之间坐标系的转换关系。
posegraph坐标系是以world frame作为坐标系的，world frame为base sequence(载入原来的图像数据库)或者（没有载入图像数据库的话）用sequence=1的序列作为坐标系。PoesGraph里面的两个类成员 w_t_vio,w_r_vio描述的就是当前序列的第一帧，与世界坐标系之间的转换关系。
//shift to base frameVector3d vio_P_cur;Matrix3d vio_R_cur;// 新加入一段if (sequence_cnt != cur_kf->sequence){sequence_cnt++;sequence_loop.push_back(0);w_t_vio = Eigen::Vector3d(0, 0, 0);w_r_vio = Eigen::Matrix3d::Identity();m_drift.lock();t_drift = Eigen::Vector3d(0, 0, 0);r_drift = Eigen::Matrix3d::Identity();m_drift.unlock();}// 转换成世界坐标cur_kf->getVioPose(vio_P_cur, vio_R_cur);vio_P_cur = w_r_vio * vio_P_cur + w_t_vio;vio_R_cur = w_r_vio * vio_R_cur;cur_kf->updateVioPose(vio_P_cur, vio_R_cur);cur_kf->index = global_index;global_index++;int loop_index = -1;
5.3.2 detectLoop
通过detectLoop()，查找到一个最合适得分最高的闭环候选帧（如果没找到，loop_index=-1）,此时本质是通过bag of word中的db.query()来进行查找的。并且无论有没有查找到，都用db.add()把当前关键帧的描述子添加到图像的数据库db中去。
/*** 闭环检测* 1、在db中查找当前描述子匹配帧，返回4帧候选帧，要求是当前帧50帧之前的帧* 2、添加当前帧描述子到db* 3、计算候选帧匹配得分，最大得分超过0.05，其他得分超过最大得分的0.3倍，认为找到闭环* 4、返回最早的闭环帧idx*/int PoseGraph::detectLoop(KeyFrame* keyframe, int frame_index){// put image into image_pool; for visualization// 图像添加文字，展示特征点数量，加入集合，用于展示cv::Mat compressed_image;if (DEBUG_IMAGE){int feature_num = keyframe->keypoints.size();cv::resize(keyframe->image, compressed_image, cv::Size(376, 240));putText(compressed_image, "feature_num:" + to_string(feature_num), cv::Point2f(10, 10), cv::FONT_HERSHEY_SIMPLEX, 0.4, cv::Scalar(255));image_pool[frame_index] = compressed_image;}TicToc tmp_t;//first query; then add this frame into database!QueryResults ret;TicToc t_query;// 在db中查找当前描述子匹配帧，返回4帧，要求是当前帧50帧之前的帧db.query(keyframe->brief_descriptors, ret, 4, frame_index - 50);//printf("query time: %f", t_query.toc());//cout << "Searching for Image " << frame_index << ". " << ret << endl;TicToc t_add;// 添加当前帧描述子到dbdb.add(keyframe->brief_descriptors);//printf("add feature time: %f", t_add.toc());// ret[0] is the nearest neighbour's score. threshold change with neighour scorebool find_loop = false;cv::Mat loop_result;if (DEBUG_IMAGE){// 最接近的一帧图像的得分loop_result = compressed_image.clone();if (ret.size() > 0)putText(loop_result, "neighbour score:" + to_string(ret[0].Score), cv::Point2f(10, 50), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(255));}// visual loop resultif (DEBUG_IMAGE){// 候选闭环帧，加上得分for (unsigned int i = 0; i < ret.size(); i++){int tmp_index = ret[i].Id;auto it = image_pool.find(tmp_index);cv::Mat tmp_image = (it->second).clone();putText(tmp_image, "index: " + to_string(tmp_index) + "loop score:" + to_string(ret[i].Score), cv::Point2f(10, 50), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(255));cv::hconcat(loop_result, tmp_image, loop_result);}}// a good match with its nerghbour// 最大得分超过0.05，其他得分超过最大得分的0.3倍，认为找到闭环if (ret.size() >= 1 &&ret[0].Score > 0.05)for (unsigned int i = 1; i < ret.size(); i++){//if (ret[i].Score > ret[0].Score * 0.3)if (ret[i].Score > 0.015){find_loop = true;int tmp_index = ret[i].Id;if (DEBUG_IMAGE && 0){auto it = image_pool.find(tmp_index);cv::Mat tmp_image = (it->second).clone();putText(tmp_image, "loop score:" + to_string(ret[i].Score), cv::Point2f(10, 50), cv::FONT_HERSHEY_SIMPLEX, 0.4, cv::Scalar(255));cv::hconcat(loop_result, tmp_image, loop_result);}}}/*if (DEBUG_IMAGE){cv::imshow("loop_result", loop_result);cv::waitKey(20);}*/// 返回最早的闭环帧idxif (find_loop && frame_index > 50){int min_index = -1;for (unsigned int i = 0; i < ret.size(); i++){if (min_index == -1 || (ret[i].Id < min_index && ret[i].Score > 0.015))min_index = ret[i].Id;}return min_index;}elsereturn -1;}
5.3.2 findConnection
若detectLoop()能够找到相似的一帧，此时，通过findConnection() 判断新旧两帧关联，匹配点大于25对，相对的偏航角位移小于30度并且相对位移少于20m，则返回true,其余情况均返回false。在true的条件下，更新参考系转化的变量。并且把当前帧的序号加入到optimize_buf中去。
// 检测到闭环if (loop_index != -1){//printf(" %d detect loop with %d \n", cur_kf->index, loop_index);// 闭环帧KeyFrame* old_kf = getKeyFrame(loop_index);/*** 计算当前帧与闭环帧之间的位姿差，判断是否闭环* 1、通过brief描述子，计算当前帧与闭环匹配帧之间的匹配点，要求大于25个* 2、3d-2d Pnp计算匹配闭环帧的位姿* 3、闭环帧与当前帧之间的位姿误差不能太大，才认为闭环*/if (cur_kf->findConnection(old_kf)){// 记录历史上最早的闭环帧if (earliest_loop_index > loop_index || earliest_loop_index == -1)earliest_loop_index = loop_index;Vector3d w_P_old, w_P_cur, vio_P_cur;Matrix3d w_R_old, w_R_cur, vio_R_cur;// 闭环帧位姿old_kf->getVioPose(w_P_old, w_R_old);// 当前帧位姿cur_kf->getVioPose(vio_P_cur, vio_R_cur);Vector3d relative_t;Quaterniond relative_q;// 当前帧与闭环帧的位姿差量，根据特征点匹配算出来的relative_t = cur_kf->getLoopRelativeT();relative_q = (cur_kf->getLoopRelativeQ()).toRotationMatrix();// 以闭环帧位姿为基础，加上位姿差量，得到当前帧位姿w_P_cur = w_R_old * relative_t + w_P_old;w_R_cur = w_R_old * relative_q;double shift_yaw;Matrix3d shift_r;Vector3d shift_t;if(use_imu){// 当前帧由闭环匹配算出来的位姿，与里程计位姿，计算偏移量，认为前者是更精确的shift_yaw = Utility::R2ypr(w_R_cur).x() - Utility::R2ypr(vio_R_cur).x();shift_r = Utility::ypr2R(Vector3d(shift_yaw, 0, 0));}elseshift_r = w_R_cur * vio_R_cur.transpose();shift_t = w_P_cur - w_R_cur * vio_R_cur.transpose() * vio_P_cur;// shift vio pose of whole sequence to the world frame// todoif (old_kf->sequence != cur_kf->sequence && sequence_loop[cur_kf->sequence] == 0){w_r_vio = shift_r;w_t_vio = shift_t;// 当前帧加上闭环偏移量之后的位姿vio_P_cur = w_r_vio * vio_P_cur + w_t_vio;vio_R_cur = w_r_vio * vio_R_cur;cur_kf->updateVioPose(vio_P_cur, vio_R_cur);list<KeyFrame*>::iterator it = keyframelist.begin();for (; it != keyframelist.end(); it++){// 加上闭环偏移量if((*it)->sequence == cur_kf->sequence){Vector3d vio_P_cur;Matrix3d vio_R_cur;(*it)->getVioPose(vio_P_cur, vio_R_cur);vio_P_cur = w_r_vio * vio_P_cur + w_t_vio;vio_R_cur = w_r_vio * vio_R_cur;(*it)->updateVioPose(vio_P_cur, vio_R_cur);}}sequence_loop[cur_kf->sequence] = 1;}m_optimize_buf.lock();// 加入优化队列optimize_buf.push(cur_kf->index);m_optimize_buf.unlock();}
添加到keyframelist：最终，把该帧keyframe 添加到keyframelist中去。从此，keyframelist又增添了一个关键帧元素。
m_keyframelist.lock();Vector3d P;Matrix3d R;cur_kf->getVioPose(P, R);P = r_drift * P + t_drift;R = r_drift * R;cur_kf->updatePose(P, R);Quaterniond Q{R};geometry_msgs::PoseStamped pose_stamped;pose_stamped.header.stamp = ros::Time(cur_kf->time_stamp);pose_stamped.header.frame_id = "world";pose_stamped.pose.position.x = P.x() + VISUALIZATION_SHIFT_X;pose_stamped.pose.position.y = P.y() + VISUALIZATION_SHIFT_Y;pose_stamped.pose.position.z = P.z();pose_stamped.pose.orientation.x = Q.x();pose_stamped.pose.orientation.y = Q.y();pose_stamped.pose.orientation.z = Q.z();pose_stamped.pose.orientation.w = Q.w();path[sequence_cnt].poses.push_back(pose_stamped);path[sequence_cnt].header = pose_stamped.header;if (SAVE_LOOP_PATH){ofstream loop_path_file(VINS_RESULT_PATH, ios::app);loop_path_file.setf(ios::fixed, ios::floatfield);loop_path_file.precision(0);loop_path_file << cur_kf->time_stamp * 1e9 << ",";loop_path_file.precision(5);loop_path_file << P.x() << ","<< P.y() << ","<< P.z() << ","<< Q.w() << ","<< Q.x() << ","<< Q.y() << ","<< Q.z() << ","<< endl;loop_path_file.close();}//draw local connectionif (SHOW_S_EDGE){// 相邻边list<KeyFrame*>::reverse_iterator rit = keyframelist.rbegin();for (int i = 0; i < 4; i++){if (rit == keyframelist.rend())break;Vector3d conncected_P;Matrix3d connected_R;if((*rit)->sequence == cur_kf->sequence){(*rit)->getPose(conncected_P, connected_R);posegraph_visualization->add_edge(P, conncected_P);}rit++;}}if (SHOW_L_EDGE){// 闭环边if (cur_kf->has_loop){//printf("has loop \n");KeyFrame* connected_KF = getKeyFrame(cur_kf->loop_index);Vector3d connected_P,P0;Matrix3d connected_R,R0;connected_KF->getPose(connected_P, connected_R);//cur_kf->getVioPose(P0, R0);cur_kf->getPose(P0, R0);if(cur_kf->sequence > 0){//printf("add loop into visual \n");posegraph_visualization->add_loopedge(P0, connected_P + Vector3d(VISUALIZATION_SHIFT_X, VISUALIZATION_SHIFT_Y, 0));}}}//posegraph_visualization->add_pose(P + Vector3d(VISUALIZATION_SHIFT_X, VISUALIZATION_SHIFT_Y, 0), Q);keyframelist.push_back(cur_kf);publish();m_keyframelist.unlock();
optimize4DoF：optimize_buf一有东西，意味着该帧已经被检测出回环了，因此就开始优化，优化的对象就是keyframelist中每个关键帧的四个自由度，包括x,y,z,yaw，同样是ceres问题求解。
/*** 构建图优化，优化位姿，（x,y,z,yaw）*/void PoseGraph::optimize4DoF(){while(true){int cur_index = -1;int first_looped_index = -1;m_optimize_buf.lock();while(!optimize_buf.empty()){cur_index = optimize_buf.front();first_looped_index = earliest_loop_index;optimize_buf.pop();}m_optimize_buf.unlock();if (cur_index != -1){printf("optimize pose graph \n");TicToc tmp_t;m_keyframelist.lock();// 当前帧KeyFrame* cur_kf = getKeyFrame(cur_index);int max_length = cur_index + 1;// w^t_i w^q_idouble t_array[max_length][3];Quaterniond q_array[max_length];double euler_array[max_length][3];double sequence_array[max_length];ceres::Problem problem;ceres::Solver::Options options;options.linear_solver_type = ceres::SPARSE_NORMAL_CHOLESKY;//options.minimizer_progress_to_stdout = true;//options.max_solver_time_in_seconds = SOLVER_TIME * 3;options.max_num_iterations = 5;ceres::Solver::Summary summary;ceres::LossFunction *loss_function;loss_function = new ceres::HuberLoss(0.1);//loss_function = new ceres::CauchyLoss(1.0);ceres::LocalParameterization* angle_local_parameterization =AngleLocalParameterization::Create();list<KeyFrame*>::iterator it;int i = 0;// 遍历关键帧集合，从最早闭环帧到当前帧之间，构建优化图for (it = keyframelist.begin(); it != keyframelist.end(); it++){if ((*it)->index < first_looped_index)continue;(*it)->local_index = i;Quaterniond tmp_q;Matrix3d tmp_r;Vector3d tmp_t;(*it)->getVioPose(tmp_t, tmp_r);tmp_q = tmp_r;t_array[i][0] = tmp_t(0);t_array[i][1] = tmp_t(1);t_array[i][2] = tmp_t(2);q_array[i] = tmp_q;Vector3d euler_angle = Utility::R2ypr(tmp_q.toRotationMatrix());euler_array[i][0] = euler_angle.x();euler_array[i][1] = euler_angle.y();euler_array[i][2] = euler_angle.z();sequence_array[i] = (*it)->sequence;problem.AddParameterBlock(euler_array[i], 1, angle_local_parameterization);problem.AddParameterBlock(t_array[i], 3);if ((*it)->index == first_looped_index || (*it)->sequence == 0){problem.SetParameterBlockConstant(euler_array[i]);problem.SetParameterBlockConstant(t_array[i]);}//add edge// 添加边，每一帧与前面4帧建立边for (int j = 1; j < 5; j++){if (i - j >= 0 && sequence_array[i] == sequence_array[i-j]){Vector3d euler_conncected = Utility::R2ypr(q_array[i-j].toRotationMatrix());Vector3d relative_t(t_array[i][0] - t_array[i-j][0], t_array[i][1] - t_array[i-j][1], t_array[i][2] - t_array[i-j][2]);relative_t = q_array[i-j].inverse() * relative_t;double relative_yaw = euler_array[i][0] - euler_array[i-j][0];ceres::CostFunction* cost_function = FourDOFError::Create( relative_t.x(), relative_t.y(), relative_t.z(),relative_yaw, euler_conncected.y(), euler_conncected.z());problem.AddResidualBlock(cost_function, NULL, euler_array[i-j],t_array[i-j],euler_array[i],t_array[i]);}}//add loop edge// 添加闭环边，与闭环帧建立边if((*it)->has_loop){assert((*it)->loop_index >= first_looped_index);int connected_index = getKeyFrame((*it)->loop_index)->local_index;Vector3d euler_conncected = Utility::R2ypr(q_array[connected_index].toRotationMatrix());Vector3d relative_t;relative_t = (*it)->getLoopRelativeT();double relative_yaw = (*it)->getLoopRelativeYaw();ceres::CostFunction* cost_function = FourDOFWeightError::Create( relative_t.x(), relative_t.y(), relative_t.z(),relative_yaw, euler_conncected.y(), euler_conncected.z());problem.AddResidualBlock(cost_function, loss_function, euler_array[connected_index],t_array[connected_index],euler_array[i],t_array[i]);}if ((*it)->index == cur_index)break;i++;}m_keyframelist.unlock();ceres::Solve(options, &problem, &summary);//std::cout << summary.BriefReport() << "\n";//printf("pose optimization time: %f \n", tmp_t.toc());/*for (int j = 0 ; j < i; j++){printf("optimize i: %d p: %f, %f, %f\n", j, t_array[j][0], t_array[j][1], t_array[j][2] );}*/m_keyframelist.lock();i = 0;// 更新图中顶点位姿，闭环帧到当前帧之间（不包括当前帧）for (it = keyframelist.begin(); it != keyframelist.end(); it++){if ((*it)->index < first_looped_index)continue;Quaterniond tmp_q;tmp_q = Utility::ypr2R(Vector3d(euler_array[i][0], euler_array[i][1], euler_array[i][2]));Vector3d tmp_t = Vector3d(t_array[i][0], t_array[i][1], t_array[i][2]);Matrix3d tmp_r = tmp_q.toRotationMatrix();(*it)-> updatePose(tmp_t, tmp_r);if ((*it)->index == cur_index)break;i++;}Vector3d cur_t, vio_t;Matrix3d cur_r, vio_r;// 当前帧优化后位姿 todocur_kf->getPose(cur_t, cur_r);// 当前帧优化前位姿cur_kf->getVioPose(vio_t, vio_r);m_drift.lock();// 计算优化前后位姿差量yaw_drift = Utility::R2ypr(cur_r).x() - Utility::R2ypr(vio_r).x();r_drift = Utility::ypr2R(Vector3d(yaw_drift, 0, 0));t_drift = cur_t - r_drift * vio_t;m_drift.unlock();//cout << "t_drift " << t_drift.transpose() << endl;//cout << "r_drift " << Utility::R2ypr(r_drift).transpose() << endl;//cout << "yaw drift " << yaw_drift << endl;it++;// 更新当前帧之后的关键帧位姿for (; it != keyframelist.end(); it++){Vector3d P;Matrix3d R;(*it)->getVioPose(P, R);P = r_drift * P + t_drift;R = r_drift * R;(*it)->updatePose(P, R);}m_keyframelist.unlock();updatePath();}std::chrono::milliseconds dura(2000);std::this_thread::sleep_for(dura);}return;
6.全局融合globalOptNode.cpp
6.1 globalEstimator
IO输出的 nav_msgs::Odometry 类型消息，这个定位信息包含了VIO的位置和姿态，其坐标系原点位于VIO的第一帧处。
GPS输出的sensor_msgs::NavSatFixConstPtr 类型消息，这个是全局定位信息，用经纬度来表示，其坐标原点位于该GPS坐标系下定义的0经度0纬度处。
// 订阅GPSros::Subscriber sub_GPS = n.subscribe("/gps", 100, GPS_callback);// 订阅里程计ros::Subscriber sub_vio = n.subscribe("/vins_estimator/odometry", 100, vio_callback);// 发布轨迹pub_global_path = n.advertise<nav_msgs::Path>("global_path", 100);// 发布里程计pub_global_odometry = n.advertise<nav_msgs::Odometry>("global_odometry", 100);
6.1.1 回调函数
GPS回调函数，很简单，只是把GPS消息存储到了队列里面。
/*** 订阅GPS*/void GPS_callback(const sensor_msgs::NavSatFixConstPtr &GPS_msg){//printf("gps_callback! \n");m_buf.lock();gpsQueue.push(GPS_msg);m_buf.unlock();}
VIO回调函数，请看注释：
void vio_callback(const nav_msgs::Odometry::ConstPtr &pose_msg){double t = pose_msg->header.stamp.toSec();last_vio_t = t;// 获取VIO输出的位置(三维向量)，姿态(四元数)Eigen::Vector3d vio_t;Eigen::Quaterniond vio_q;....../// 位姿传入global Estimator中globalEstimator.inputOdom(t, vio_t, vio_q);m_buf.lock();// 寻找与VIO时间戳相对应的GPS消息// 细心的读者可能会疑惑，这里需不需要对GPS和VIO进行硬件上的时间戳同步呢？// 这个问题请看总结与讨论while(!gpsQueue.empty()){// 获取最老的GPS数据和其时间sensor_msgs::NavSatFixConstPtr GPS_msg = gpsQueue.front();double gps_t = GPS_msg->header.stamp.toSec();// 10ms sync tolerance// +- 10ms的时间偏差if(gps_t >= t - 0.01 && gps_t <= t + 0.01){ /// gps的经纬度，海拔高度double latitude = GPS_msg->latitude;double longitude = GPS_msg->longitude;double altitude = GPS_msg->altitude;// gps 数据的方差double pos_accuracy = GPS_msg->position_covariance[0];if(pos_accuracy <= 0)pos_accuracy = 1;//printf("receive covariance %lf \n", pos_accuracy);/// GPS_msg->status.status 这个数字代表了GPS的状态(固定解，浮点解等)/// 具体可以谷歌// if(GPS_msg->status.status > 8)// 向globalEstimator中输入GPS数据globalEstimator.inputGPS(t, latitude, longitude, altitude, pos_accuracy);gpsQueue.pop();break;}else if(gps_t < t - 0.01)gpsQueue.pop();else if(gps_t > t + 0.01)break;}m_buf.unlock();......// 广播轨迹（略）......pub_global_odometry.publish(odometry);pub_global_path.publish(*global_path);publish_car_model(t, global_t, global_q);// 位姿写入文本文件（略）......}
可以看出，global Fusion的优化策略是收到一帧VIO数据，就寻找相应的GPS数据来进行优化。我们下面主要来看一下globalEstimator中的inputOdom()和inputGPS()这两个函数
首先看下 inputGPS():
void GlobalOptimization::inputGPS(double t, double latitude,double longitude,double altitude,double posAccuracy){double xyz[3];// 因为经纬度表示的是地球上的坐标，而地球是一个球形，// 需要首先把经纬度转化到平面坐标系上// 值得一提的是，GPS2XYZ()并非把经纬度转化到世界坐标系下(以0经度，0纬度为原点)，// 而是以第一帧GPS数据为坐标原点，这一点需要额外注意GPS2XYZ(latitude, longitude, altitude, xyz);// 存入经纬度计算出的平面坐标，存入GPSPositionMap中vector<double> tmp{xyz[0], xyz[1], xyz[2], posAccuracy};GPSPositionMap[t] = tmp;newGPS = true;}
再看inputOdom()：
void GlobalOptimization::inputOdom(double t, Eigen::Vector3d OdomP, Eigen::Quaterniond OdomQ){mPoseMap.lock();// 把vio直接输出的位姿存入 localPoseMap 中vector<double> localPose{OdomP.x(), OdomP.y(), OdomP.z(),OdomQ.w(), OdomQ.x(), OdomQ.y(), OdomQ.z()};localPoseMap[t] = localPose;Eigen::Quaterniond globalQ;/// 把VIO转换到GPS坐标系下，准确的说是转换到以第一帧GPS为原点的坐标系下/// 转换之后的位姿插入到globalPoseMap 中globalQ = WGPS_T_WVIO.block<3, 3>(0, 0) * OdomQ;Eigen::Vector3d globalP =WGPS_T_WVIO.block<3, 3>(0, 0) * OdomP + WGPS_T_WVIO.block<3, 1>(0, 3);vector<double> globalPose{globalP.x(), globalP.y(), globalP.z(),globalQ.w(), globalQ.x(), globalQ.y(), globalQ.z()};globalPoseMap[t] = globalPose;lastP = globalP;lastQ = globalQ;// 把最新的全局姿态插入轨迹当中(过程略)......global_path.poses.push_back(pose_stamped);mPoseMap.unlock();}
现在两种数据都收到以后，万事俱备，我们看一下 void GlobalOptimization::optimize()这个函数：
这个函数开了一个线程来做优化：
首先使用ceres构建最小二乘问题，这个没啥可说的。
ceres::Problem problem;ceres::Solver::Options options;options.linear_solver_type = ceres::SPARSE_NORMAL_CHOLESKY;//options.minimizer_progress_to_stdout = true;//options.max_solver_time_in_seconds = SOLVER_TIME * 3;options.max_num_iterations = 5;ceres::Solver::Summary summary;ceres::LossFunction *loss_function;loss_function = new ceres::HuberLoss(1.0);ceres::LocalParameterization* local_parameterization = new ceres::QuaternionParameterization();
状态量赋初值，添加参数块。可以看出来，迭代的初始值是globalPoseMap中的值，也就是VIO转换到GPS坐标系下的值。
// 遍历历史里程计（转ENU系下了），显式添加变量参数map<double, vector<double>>::iterator iter;iter = globalPoseMap.begin();for (int i = 0; i < length; i++, iter++){t_array[i][0] = iter->second[0];t_array[i][1] = iter->second[1];t_array[i][2] = iter->second[2];q_array[i][0] = iter->second[3];q_array[i][1] = iter->second[4];q_array[i][2] = iter->second[5];q_array[i][3] = iter->second[6];problem.AddParameterBlock(q_array[i], 4, local_parameterization);problem.AddParameterBlock(t_array[i], 3);}// 遍历历史里程计map<double, vector<double>>::iterator iterVIO, iterVIONext, iterGPS;
然后添加残差：
for (iterVIO = localPoseMap.begin(); iterVIO != localPoseMap.end(); iterVIO++, i++) {//vio factor// 添加VIO残差，观测量是两帧VIO数据之差，是相对的。而下面的GPS是绝对的iterVIONext = iterVIO;iterVIONext++;if (iterVIONext != localPoseMap.end()) {/// 计算两帧VIO之间的相对差（略）......ceres::CostFunction *vio_function = RelativeRTError::Create(iPj.x(), iPj.y(), iPj.z(),iQj.w(), iQj.x(), iQj.y(), iQj.z(),0.1, 0.01);problem.AddResidualBlock(vio_function, NULL, q_array[i], t_array[i], q_array[i + 1], t_array[i + 1]);}// gps factor// GPS残差，这个观测量直接就是GPS的测量数据，// 残差计算的是GPS和优化变量的差，这个是绝对的差。double t = iterVIO->first;iterGPS = GPSPositionMap.find(t);if (iterGPS != GPSPositionMap.end()) {ceres::CostFunction *gps_function = TError::Create(iterGPS->second[0], iterGPS->second[1],iterGPS->second[2], iterGPS->second[3]);problem.AddResidualBlock(gps_function, loss_function, t_array[i]);}}
优化完成后，再根据优化结果更新姿态就ok啦。为了防止VIO漂移过大，每次优化完成还需要计算一下VIO到GPS坐标系的变换。
7. 总结与讨论
1. 思考
根据上文中分析的优化策略，global fusion的应用场景应该是GPS频率较低，VIO频率较高的系统。fusion 默认发布频率位10hz，而现在的GPS可以达到20hz，如果在这种系统上使用，你可能还需要修改下VIO或者GPS频率。
2. GPS与VIO时间不同步
上文提到了，在多传感器融合系统中，传感器往往需要做时钟同步，那么global Fusion需要么？GPS分为为很多种，我们常见的GPS模块精度较低，十几米甚至几十米的误差，这种情况下，同不同步没那么重要了，因为GPS方差太大。另外一种比较常见的是RTK-GPS ，在无遮挡的情况下，室外精度可以达到 2cm之内，输出频率可以达到20hz，这种情况下，不同步时间戳会对系统产生影响，如果VIO要和RTK做松耦合，这点还需要注意。
