PO-MSCKF: An Efficient Visual-Inertial Odometry by Reconstructing the Multi-State Constrained Kalman Filter with the Pose-only Theory

高效的视觉惯性里程计（VIO）对于负载受限的机器人至关重要。虽然现代基于优化的算法已经实现了更高的精度，但基于MSCKF的VIO算法因其高效和一致的性能仍然广受需求。由于MSCKF建立在传统的多视角几何基础上，测量残差不仅与状态误差有关，还与特征位置误差有关。为了应用EKF融合，需要进行投影过程以从观测模型中消除特征位置误差，这可能会导致模型和精度的退化。为了获得高效的视觉惯性融合模型，同时保持模型的一致性，我们提出使用新的仅姿态（PO）多视角几何描述重构MSCKF VIO。在新构建的滤波器中，我们对PO重投影残差进行建模，这些残差仅与运动状态有关，因此克服了空间投影的要求。此外，新滤波器不需要任何特征位置信息，从而消除了3D重建过程带来的计算成本和线性化误差。我们在多个数据集上进行了全面的实验，其中所提出的方法在具有挑战性的序列中显示出了精度改进和一致的性能。

提高载重受限机器人的视觉惯性测距（VIO）的效率和一致性

使用新颖的仅姿态多视角几何描述重构MSCKF VIO算法，避免传统多视角几何描述中的特征位置误差对观测模型的影响，同时降低计算复杂度和线性化误差

论文在多个数据集上进行了全面的实验，证明了所提出的方法在提高精度和一致性方面的有效性，同时避免了传统算法中的一些问题，如特征位置误差和3D重建带来的计算复杂度

最近的相关研究包括“基于单目相机的VIO算法”、“基于深度学习的VIO算法”等