作者 | 小六  编辑 | 计算机视觉life

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【SLAM】技术交流群

后台回复【SLAM综述】获取视觉SLAM、激光SLAM、RGBD-SLAM等多篇综述！

论文名：

DM-VIO: Delayed Marginalization Visual-Inertial Odometry

作者单位：慕尼黑工业大学Daniel Cremers组

项目主页: http://vision.in.tum.de/dm-vio

论文：

https://vision.in.tum.de/_media/research/vslam/dm-vio/dm-vio.pdf

开源地址: https://github.com/lukasvst/dm-vio

录用：2022 Robotics and Automation Letters (RA-L)

DM-VIO是一种基于延迟边缘化和位姿图BA的单目视觉惯性里程计。该系统单目VIO超过了sota 方法，甚至在某些情况下超过了性能最好的双目VIO。

延迟边缘化是啥？先说说边缘化，它常用于保证系统更新时间，但边缘化后很难恢复，并且连接变量的线性化点不能修改。

延迟边缘化策略，弥补了边缘化的缺陷并保留了边缘化的优势。其思想是建立第二个因子图，该因子图的边缘化将会延迟，可以在之后通过访问延迟图，使用新的一致线性化点产生更新的边缘化。此外，延迟边缘化使我们能够将IMU的信息关联到已经被边缘化的状态，这是提出的位姿图BA的基础，可以用来进行IMU初始化。

延迟边缘化和PGBA

DM-VIO 有啥用？

1. 它采用了一种新的IMU初始化方法，在无人机、手持设备和汽车等场景都能良好的工作，扩展了单目方法的普适性。

2. 延迟边缘化的思路可以用到很多场景，例如在边缘化设置中重新激活旧的关键帧以实现地图重用。

3. 汽车恒速运动时，IMU无法很好的初始化恢复绝对尺度。本文方法可解决该问题，性能甚至优于sota 双目+IMU方法。

4. 开源的代码易于扩展，因为所有优化都集成到GTSAM，可以快速添加新的因子，比如GPS，轮式里程计等

展示下效果

多级IMU初始化策略

量化效果

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称