【ICRA2018】Towards Globally Consistent Visual-Inertial Collaborative SLAM

当具备能力时

首先是Abstract：

可以看出，在本文中提出了一种系统架构：
（1）该系统采用了视觉惯性技术作为其核心组件；
（2）针对单个无人机而言，在单独使用的条件下通过实验表明：
它能够实现良好的漂移校正及尺度估计；也就是说这种方法使得漂移量得到了显著减少，并且尺度估计变得更加精确；
（3）在全局一致性地图构建方面，则通过两个无人机协同工作的方式能够获得更好的性能表现

然后Introduction里面的东西：

改写说明

Achieved significant advancements in state-of-the-art techniques, addressing large-scale loop correction with unparalleled robustness and precision within monocular setups.

对于VIORB系统的评述如下：将额外的惯性数据整合到单目设置中后的新版本（即所谓的VIORB-SLAM）最先实现了通过闭环检测与优化纠正漂移的能力，并且能够以高精度维持度量尺度的估计。尽管它标志着一个重要的里程碑（参考文献[17]），但Vi-Orb-slam仍然保持闭源状态，并且仅依赖作者提供的评估作为信息来源（参考文献[17]）。值得注意的是，在不同数据集上其准确性的表现并不稳定（参考文献[17]），这凸显出对其在视觉 simultaneous localization and mapping (vi-slam)领域进一步深入分析的必要性。

本文的核心内容：基于这种理念，我们提出了一种精心设计的后端系统，并与名义VIO系统结合使用，在与现有VI-SLAM系统的精度相当的基础上实现了全局一致地图的生成——有时甚至仅通过后端优化就实现了50%以上的误差减少。

进一步展示我们提出的后端在两个无人机上的应用及其协同Mapping效果，并通过闭环检测实现了轨迹内部及不同无人机轨迹之间的校正。

展示了我们工作的优势，并具体说明了其在实现闭环检测、轨迹校正等方面的应用。

接下来就是文章的方法Method了

在记录IMU特性时（段落1），通常使用MEMS器件作为基础（段落1.1）。

Systemoverview

对于这个我是有话要说的，

首先是来自VIO端的信息。我们将这部分数据称为叫做keyframe message。（其中包含以下信息：帧ID（VIO-frame ID）；之前的位姿估计结果；IMU传感器测得的带有噪声的测量值；关键点的位置信息以及其描述特征；已经被完成匹配的关键点对。）这些已经被匹配的关键点对显著地降低了后端优化任务中的算法复杂度，并且这一改进从而使得整个系统的实时性能得以实现。

在完成了上一步骤得到的correspondences数量足够多的情况下，则继续执行多余重叠landmark的融合操作；当correspondences数量不足时，则需重新启动KF初始化流程；这通常涉及利用之前的VIO前端结果对现有landmarks进行三角化处理以补充新的信息源；一旦新的correspondences被检测到，则将重复出现的Landmarks进行合并处理；最终系统会回归到KF管理流程中去继续运行；整个过程与ORB-SLAM采用的方式具有相似之处

最后涉及到LocalBA算法以及闭环检测的相关内容均按照常规方法执行；但为了提高整体精度则采用了缓冲机制加以保护

随后基本上就是差不多了！结果如何呢？但是真的这里的联合没有很好地理解清楚，是为了地图的一致性而引入的原因是什么呢？