• 【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

    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
    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：

    1. IMU线程 从Euroc数据集的IMU文件读取IMU数据
    2. 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
    3. 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");
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    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.txt
        ifstream 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);
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49

    system.cpp

    void System::PubImageData(double dStampSec, vector<Matrix<double,6,1>> &img)
{
    PUB_THIS_FRAME = true;//直接pub
    if (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 + cx
                feature_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0
                    feature_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 image
            if (!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();
            }
        }
    }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64

    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）：
    在这里插入图片描述

    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_vins
        Sophus::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;
    }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39

    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：

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

    • 1

    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。

  • 相关阅读:
    java开发手册-04安全规约
    金仕达与 DolphinDB 建立深度合作，共筑 FICC 科技创新新篇章
    做自媒体一直没有收入，要不要放弃？
    【历史上的今天】11 月 9 日：TensorFlow 问世；Mozilla Firefox 发布标准版；英特尔和微软分道扬镳
    Spring-boot Mybatis-plus 实战应用
    【杭电多校第四场 B题】最短路图+缩点dp
    Python中Tkinter模块的Canvas控件绘制jpg图片到指定区域
    《3D 数学基础》几何检测-最近点
    iconfont 的symbol字体如何修改颜色 / svg如何修改颜色？
    系统架构设计师-第11章-未来信息综合技术-软考学习笔记
  • 原文地址：https://blog.csdn.net/qq_37746927/article/details/133932418