【深蓝学院】手写VIO第7章--VINS初始化和VIO系统--作业

0. 内容

在这里插入图片描述

1. T1

1. 下载EuRoc数据集（optional）

因为作业主要使用Ch2生成的数据，所以这一步也是可选的，但是为了整个系统的bring up，可以先用EuRoc数据集跑起来。

下载EuRoc数据集，SLAM相关数据集链接

2. 更换ceres版本(optional)

代码编译不过，发现是安装了最新的ceres 2.2，导致代码库里面有些东西被替换掉了，找不到，所以卸载掉2.2，安装2.1

在这里插入图片描述

卸载并安装新版本的ceres

3. 双版本OpenCV共存，切换(optional)

由于之前安装了OpenCV的4.6.0，导致编译不过，但是又不想卸载较新的版本，所以找了下使两个OpenCV版本共存的方法，参考博客，看了VINS-MONO使用的是3.3.1版本，就另外安装了这个版本，最后效果如下：
只需要在find_package前更改OpenCV_DIR即可找到另一个版本的OpenCV。
在这里插入图片描述

切换完之后就编译过了。

这是跑出来的效果图
在这里插入图片描述

4. 解答

4.1 问题分析与解答

本章代码主要有三个线程：

IMU线程从Euroc数据集的IMU文件读取IMU数据
Tracking线程从Euroc数据集的Image文件读取Image数据，并做光流跟踪等特征处理操作
Estimator线程后端处理，根据前端提供的IMU数据和特征数据，做预积分和相关后端优化

4.1.1 pub_imu

在这里插入图片描述
要清楚Ch2中生成的数据的header都是什么，cam_pose.txt和imu_pose.txt都分别是：

time_stamp, w, x, y, z, tx, ty, tz, gyro_x, gyro_y, gyro_z, acc_x, acc_y, acc_z

all_points_xxx.txt共7维数据：

x,y,z,1,u,v

x,y,z是landmark在camera系下的3D坐标，1代表是齐次的，u，v是归一化平面上的坐标（注意不要被u，v的名字混淆，归一化平面还是在camera系下，只是深度变成了1，还不是在像素平面下，等会儿还要用内参转换到像素平面上）

IMU数据我们只需要time_stamp和6维IMU数据，而与imu posetime和w, x, y, z, tx, ty, tz我们都不需要，在读取时直接刷掉即可。

//将IMU数据传入VINS系统
void PubImuData()
{string sImu_data_file = sConfig_path + "imu_pose.txt";//数据中的RSS不知道是什么，但是应该是6轴IMU数据cout << "1 PubImuData start sImu_data_filea: " << sImu_data_file << endl;ifstream fsImu;fsImu.open(sImu_data_file.c_str());if (!fsImu.is_open()){cerr << "Failed to open imu file! " << sImu_data_file << endl;return;}std::string sImu_line;double dStampNSec = 0.0;Vector3d vAcc;Vector3d vGyr;while (std::getline(fsImu, sImu_line) && !sImu_line.empty()) // read imu data{std::istringstream ssImuData(sImu_line);double tmp_data;//imu的pose不需要，所以不进行读取ssImuData >> dStampNSec >> tmp_data >> tmp_data >> tmp_data >> tmp_data >> tmp_data >> tmp_data >> tmp_data>> vGyr.x() >> vGyr.y() >> vGyr.z() >> vAcc.x() >> vAcc.y() >> vAcc.z();//读取时间戳，角速度，加速度pSystem->PubImuData(dStampNSec, vGyr, vAcc);//这里读出来的时间直接就是s，不用再转usleep(5000*nDelayTimes);}fsImu.close();printf("imu pub finish!!!\n");
}

4.1.1 pub_img

在这里插入图片描述
关于pub_img，由于我们直接有了匹配好的feature points，所有关于前端特征处理的都不用做（特征提取，LK光流匹配，去畸变等，也不用算光流的速度（虽然我算了一下）），我们需要做的核心的事情就是把这些feature喂给我们的特征点buffer(即代码中的feature_points)

代码如下：

run_euroc.cpp关于img的部分

//将视觉特征传入VINS系统
void PubImageData()
{string sImage_file = sConfig_path + "cam_pose.txt";printf("start pub img msg...\n");printf("sImage_file: %s\n", sImage_file.c_str());cout << "1 PubImageData start sImage_file: " << sImage_file << endl;ifstream fsImage;fsImage.open(sImage_file.c_str());if (!fsImage.is_open()) {cerr << "Failed to open image file! " << sImage_file << endl;return;}std::string sImage_line;double dStampNSec;string sImgFileName;vector<Matrix<double,6,1>> xyz_uv_sum;int point_num = 0;// cv::namedWindow("SOURCE IMAGE", CV_WINDOW_AUTOSIZE);while (std::getline(fsImage, sImage_line) && !sImage_line.empty()){std::istringstream ssImgData(sImage_line);ssImgData >> dStampNSec;//读取camera时间戳Matrix<double,6,1> xyz_uv;string KF_PointsFile = sConfig_path + "keyframe/all_points_" + to_string(point_num++) + ".txt";//读all_points_xx.txtifstream fin(KF_PointsFile);if(!fin) {printf("[ERROR] KF file: %s do not exist", KF_PointsFile.c_str());}printf("KF_PointsFile: %s\n", KF_PointsFile.c_str());while(!fin.eof()) {fin >> xyz_uv(0) >> xyz_uv(1) >> xyz_uv(2) >> xyz_uv(3) >> xyz_uv(4) >> xyz_uv(5);xyz_uv_sum.push_back(xyz_uv);}pSystem->PubImageData(dStampNSec, xyz_uv_sum);//xyz_uv_sum.clear();// cv::imshow("SOURCE IMAGE", img);// cv::waitKey(0);usleep(50000*nDelayTimes);}fsImage.close();printf("pub img finish, point_num: %d\n", point_num);
}

system.cpp

void System::PubImageData(double dStampSec, vector<Matrix<double,6,1>> &img)
{PUB_THIS_FRAME = true;//直接pubif (PUB_THIS_FRAME){pub_count++;printf("pub count: %d\n", pub_count);shared_ptr<IMG_MSG> feature_points(new IMG_MSG());feature_points->header = dStampSec;vector<set<int>> hash_ids(NUM_OF_CAM);for (int i = 0; i < NUM_OF_CAM; i++){vector<cv::Point2f> tmp_pts;printf("img.size: %d\n", img.size());for (unsigned int j = 0; j < img.size(); j++){int p_id = j;hash_ids[i].insert(p_id);double x = img[j][4];double y = img[j][5];double z = 1;double u = 460 * x + 255; //u=fx * x / z + cx 使用内参将归一化坐标转换到像素平面下double v = 460 * y + 255; //u=fx * x / z + cxfeature_points->points.emplace_back(x, y, z);feature_points->id_of_point.push_back(p_id * NUM_OF_CAM + i);feature_points->u_of_point.push_back(u);//仿真数据直接用xy代替像素坐标feature_points->v_of_point.push_back(v);tmp_pts.emplace_back(u, v);if(prev_pts_.empty()) {feature_points->velocity_x_of_point.push_back(0);  //第一帧速度设为0feature_points->velocity_y_of_point.push_back(0);printf("prev_pts_ is empty set cur volecity to zero, cur_(u,v)=(%f, %f)\n", u, v);} else {//由于feature points都是一一对应的，所以直接取对应index的坐标相减然后处以时间即可得速度double v_x = (u - prev_pts_[j].x) / 0.0333333;double v_y = (v - prev_pts_[j].y) / 0.0333333;feature_points->velocity_x_of_point.push_back(v_x);feature_points->velocity_y_of_point.push_back(v_y);printf("prev_(u,v)=(%f, %f), cur_(u,v)=(%f, %f), v_x: %f, v_y: %f\n",prev_pts_[j].x, prev_pts_[j].y, u, v, v_x, v_y);}}prev_pts_.clear();prev_pts_ = tmp_pts;tmp_pts.clear();//}// skip the first image; since no optical speed on frist imageif (!init_pub){cout << "4 PubImage init_pub skip the first image!" << endl;init_pub = 1;}else{m_buf.lock();feature_buf.push(feature_points);// cout << "5 PubImage t : " << fixed << feature_points->header//     << " feature_buf size: " << feature_buf.size() << endl;m_buf.unlock();con.notify_one();}}}
}

总是会需要debug的，clion传参：
在这里插入图片描述
关于噪声的操作，我看很多博客都没有明说，不同噪声需要配置Ch2的参数先生成带有noise的文件imu_pose_noise.txt，然后将参数配置给VINS系统（比如乘了10倍就在VINS配置中也乘10），跑出来即可。

ch2生成noise数据配置：
在这里插入图片描述
VINS imu noise配置，这里我使用了离散的噪声（连续噪声就不用下面最后4行即可）：

4.1.2 踩过的坑（optional）

分别在noise为0, 1，10, 30, 45, 60倍时进行了实验，需要说明一下，因为没有fix第一帧，所以会使得整体的pose在GT的world系下有漂移，我当时使用Ch2的可视化工具可视化出来output和GT发现差了个T，但是把T算出来感觉也不是固定的（事实证明T确实是固定的，但是不知道怎么align起来的，这部分evo直接给出了T），当时对着python脚本可视化出来的结果发愁了好一会儿，后来发现他们的作业都是使用evo可视化的（evo下文会讲）
在这里插入图片描述
当时计算T的代码

void cal_diff() {Quaterniond q;Eigen::Matrix<double, 3, 1> tmp_mat;double tmp_var;vector<Sophus::SE3d> vec_T_gt;std::string cam_pose_tum = "../config/cam_pose_tum_delete_first11rows.txt";ifstream fin(cam_pose_tum);if(!fin) {printf("[ERROR] cam_pose_tum file: %s do not exist\n", cam_pose_tum.c_str());}printf("cam_pose_tum file: %s\n", cam_pose_tum.c_str());while(!fin.eof()) {fin >> tmp_var >>tmp_mat(0) >> tmp_mat(1) >> tmp_mat(2)>> q.x() >> q.y() >> q.z() >> q.w();vec_T_gt.emplace_back(Sophus::SE3d{q, tmp_mat});}vector<Sophus::SE3d> vec_T_vins;std::string vins_cam_pose_tum = "../bin/VINS_pose_output_asTUM2.txt";ifstream fin_vins(vins_cam_pose_tum);if(!fin_vins) {printf("[ERROR] vins_cam_pose_tum file: %s do not exist\n", vins_cam_pose_tum.c_str());}printf("vins_cam_pose_tum file: %s\n", vins_cam_pose_tum.c_str());while(!fin_vins.eof()) {fin_vins >> tmp_var >> q.x() >> q.y() >> q.z() >> q.w() >>tmp_mat(0) >> tmp_mat(1) >> tmp_mat(2);vec_T_vins.emplace_back(Sophus::SE3d{q, tmp_mat});}int index_min = min(vec_T_gt.size(), vec_T_vins.size());for(int i = 0; i < index_min; ++i) {//Tw_gt^(-1) * Tw_vins = Tgt_vinsSophus::SE3d se3_diff = vec_T_gt[i].inverse() * vec_T_vins[i];cout << "i = " << i << ",\t se3_diff_ypr = \t" << Utility::R2ypr(se3_diff.rotationMatrix()).transpose()<< ",\t t_diff = \t" << se3_diff.translation().transpose() << endl;}
}

计算出来的T是这样的，R我转为了ypr
在这里插入图片描述

evo计算出来的align的T
在这里插入图片描述
后来想了一下，我的计算方法中VINS和GT的world可能不是一个world，所以我那样算可能是有问题的。

这个Umeyama方法和evo后面有时间看一下，挖个坑。

4.2 实验结果和分析

4.2.1 整体实验结果

在这里插入图片描述

noise在60倍时，噪声过大，看LM迭代一直没有停止，说明一直没有达到停止条件，优化失败，没有比较的意义了，此时轨迹也无参考意义：
在这里插入图片描述

在这里插入图片描述

4.2.2 可视化对比

使用evo绘制出优化出的pose和GT的曲线，
evo安装：https://github.com/MichaelGrupp/evo
绘制指令：

tum cam_pose_tum.txt VINS_pose_output_asTUM2_noise_free_distcrete.txt  -va --plot --plot_mode xyz

其中cam_pose_tum.txt是GT，VINS_pose_output_asTUM2_noise_free_distcrete.txt是VINS的输出，GT在图中以虚线表示。

将noise_free，noise * 1 , noise * 45进行联合对比，发现noise越大，误差越大：

在这里插入图片描述

4.3 结论

从上述实验中可以看出，随着imu数据noise的增大，VINS-MONO优化的误差也在增加，当误差大到一定程度时，数据就不能再使用了，需要重新采集数据。

本章作业代码重要性还是很高的，需要多花些时间看透整个代码的框架，包括系统初始化，变量管理，前端特征处理，后端求解（前几章主要工作），以及一些trick（如使用了VINS-MONO中的marg策略），如果要fix第一帧应该怎么做等等。