天天看点
返回

浅谈VINS中的global fusion节点浅谈VINS中的global fusion节点

转载自：https://zhuanlan.zhihu.com/p/75492883

浅谈VINS中的global fusion节点

浅谈VINS中的global fusion节点浅谈VINS中的global fusion节点

刘弟弟

资深小朋友

VINS-Fusion开源已经很长时间了，但是一直也没时间看。最近需要用到gps与VO融合，就先学习了global fusion节点。global fusion节点中数据融合的思路非常巧妙，令人赞叹，并且代码比较简单，很容易读懂。下面是一些学习源码的体会与大家分享，如有不当之处，欢迎批评指正～

1.整体流程分析

首先 global Estimator 节点订阅两个节点：

  • 1.VIO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。 
ros::Subscriber sub_vio = n.subscribe("/vins_estimator/odometry", 100, vio_callback);
  • 2.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。 
ros::Subscriber sub_GPS = n.subscribe("/gps", 100, GPS_callback);

我们再分别看其回调函数(这里贴出来的代码只保留了主干部分)

先看GPS回调函数，很简单，只是把GPS消息存储到了队列里面

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(这个代码太长了，贴一部分把)：

  1. 首先使用ceres构建最小二乘问题，这个没啥可说的
  2. 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。 
int length = localPoseMap.size();
            // w^t_i   w^q_i
            double t_array[length][3];
            double q_array[length][4];
            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);
            }

3.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。

2.GPS与VIO融合策略

（知乎这个文章编辑器是真的卡........）

根据上文的分析，我们可以看出整体的优化策略和位姿图非常相似，因为观测量是相邻两帧VIO之间的差和GPS坐标，所以global Fusion 节点相当于把对应时间戳的GPS位姿和VIO位姿的差，均匀分布到每两个相邻的VIO之间。使得整体的误差和最小化。

3.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。

无人机-SLAM-vins 无人机-自己实现VIO 无人机-SLAM-vins-GPS
上一篇: 多传感器融合详解0.前言
下一篇: 基于IMX6 Linux 快速启动

继续阅读