从滤波到优化：手把手拆解VIO算法演进，看OpenVINS、Basalt、DM-VIO如何解决状态估计难题

从滤波到优化：视觉惯性里程计的技术演进与设计哲学

视觉惯性里程计（VIO）作为融合相机与IMU数据的核心技术，在机器人导航、增强现实等领域扮演着关键角色。本文将带您深入探索VIO算法从传统滤波到现代优化方法的演进历程，剖析OpenVINS、Basalt、DM-VIO等代表性框架背后的设计思想与技术抉择。

1. 滤波方法的奠基：MSCKF与OpenVINS

早期VIO系统主要基于扩展卡尔曼滤波（EKF）框架，其中多状态约束卡尔曼滤波（MSCKF）成为经典实现。OpenVINS作为这一流派的现代代表，保留了EKF的高效特性，同时通过多项创新解决了传统滤波方法的局限性。

关键设计思想：

• 滑动窗口机制：维持固定大小的状态窗口，平衡计算复杂度与精度
• 特征跟踪管理：采用2点RANSAC进行异常值剔除
• IMU预积分：减少重复计算，提升效率

提示：滤波方法的优势在于其增量式处理特性，适合计算资源受限的场景

典型参数配置对比：

// OpenVINS中的典型状态更新示例 void updateState(const ImuData& imu, const FeatureTrack& features) { imu_preintegration(imu); // IMU预积分 state_propagation(); // 状态传播 feature_triangulation(features); // 特征三角化 ekf_update(); // EKF更新 }

2. 优化方法的崛起：Basalt的两级优化架构

随着计算能力的提升，基于非线性优化的方法逐渐显现优势。Basalt采用创新的两级优化架构，在精度与效率之间取得了更好的平衡。

2.1 前端与后端的分工

• 前端：负责帧间跟踪与初步位姿估计
  • 使用KLT光流进行特征跟踪
  • 实现IMU预积分减少计算量
• 后端：执行全局优化
  • 采用滑动窗口BA优化关键帧位姿
  • 使用QR边缘化维护稀疏性

2.2 QR边缘化的精妙设计

Basalt的核心创新在于其边缘化策略：

1. 将待边缘化的状态转换为QR分解形式
2. 保留上三角矩阵作为先验信息
3. 在后续优化中作为约束加入

# 简化的QR边缘化示例 def marginalize(H, b, to_marginalize): Q, R = qr(H[:, to_marginalize]) H_marg = Q.T @ H[:, ~to_marginalize] b_marg = Q.T @ b return R[to_marginalize.size:], H_marg, b_marg

这种设计有效控制了优化问题的规模，同时保持了信息的完整性。

3. 直接法的突破：DM-VIO的延迟边缘化

DM-VIO将直接法与IMU数据深度融合，通过延迟边缘化策略解决了传统方法中的线性化误差积累问题。

三大核心技术：

1. 稀疏直接法：直接在图像强度空间进行对齐
2. 光度标定：建模相机响应函数
3. 延迟边缘化：选择性保留关键信息

注意：直接法对光照变化更为敏感，需要更鲁棒的光度校准

DM-VIO与传统方法的性能对比：

4. 技术演进的核心逻辑与未来方向

纵观VIO技术的发展，我们可以识别出几条清晰的演进脉络：

1. 从滤波到优化：追求更高精度与更好的非线性处理能力
2. 从间接法到直接法：减少特征提取的中间环节
3. 从即时到延迟处理：更智能的信息保留策略

当前面临的挑战：

• 动态环境下的鲁棒性
• 多传感器深度融合
• 边缘计算场景下的效率优化

# 典型评测流程示例 ./run_euroc_sequence -s MH_01 -m openvins ./run_euroc_sequence -s MH_01 -m basalt ./run_euroc_sequence -s MH_01 -m dm-vio

在实际项目中，选择VIO框架时需要综合考虑精度需求、计算资源和应用场景。对于计算资源受限的嵌入式设备，OpenVINS可能更为合适；而追求高精度的AR/VR应用则可能倾向于Basalt或DM-VIO。