歡迎傳感器廠商聯系我們，這里既是一個評測平臺，也是一個宣傳平臺。希望您能夠通過泡泡機器人的"傳感器評測"欄目，發布給合適的目標用戶群。同時，也希望我們在評測過程中，為傳感器提供有用的意見和建議，幫助傳感器做的更好。

  只要和SLAM相關的設備，我們都可以評測，包括但不限于單目、雙目攝像頭，RGBD攝像頭，激光雷達，運動底盤，計算平臺，imu傳感器等等。

  泡泡機器人-傳感器評測專欄， 希望架起一座SLAM傳感器的橋梁，在SLAM技術進化的道路上，起到一點點促進作用。

  評測人：郭榮偉，周平

  歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，后臺留言申請授權

寫在前面的話

  在本次評測過程中，泡泡機器人的評測人和傳感器廠商的技術人員進行了充分的溝通。傳感器廠商表示，在溝通過程中，為小覓雙目攝像頭提供了很多有用的建議，使得小覓雙目攝像頭在未來，能夠產出更適合vSLAM的模組，為vio的技術發展提供更好的傳感器支持。

  在“上一篇評測”中我們進行了評測前的準備工作，并基于sSensSLAMAR評測了相機對vio的支持情況。本篇文章將從imu角度對相機進行評測。

分析imu的噪聲(Noise density)和隨機游走(random walk)

  基本的imu噪聲建模方式為噪聲和隨機游走,模型方程可表示為:

  從上面的模型可知, 我們在模型中需要的參數是幾個分布的方差值, 這些方差值是硬件相關的,由硬件特性決定,因此下面我們討論如何獲取這些參數.

  隨后我用小覓的API接口將imu的一些參數讀了出來, 其中accel和gyro的noise項都是0, 后面會通過標定結果進行對比。

  參考Kalibr的wiki說明, 得知可以通過Allan standard deviation來分析imu的噪聲性能.方法是將imu靜置并采集數據,一般要求一個小時以上,然后用這些數據進行分析.Kalibr上提供的示例圖如下:

  因此我們將小覓相機接在PC上(我用的是WIN10 VS2017環境,IMU使用200Hz的采集速率,單位換算成了rad/s和m/s^2 下同), 采集了三組數據, 每組大概持續2小時,為了解除溫漂影響, 我將imu設置為PROC_IMU_TEMP_DRIFT模式.采集好數據后, 我們使用imu_utils提供的分析及可視化代碼來處理.得到如下結果:

  可以看出實地測量出來的數值與官方數據在量級上基本吻合, 但是偏小. Kalibr文檔也建議,在應用這些參數時,需要人為把方差調大以防止過于詳細imu數值.另外在gyro的結果圖中的左上部分還觀察到了上凸現象, 不知這是什么原因.

分析imu的scale,misalignment,bias數值

  上文使用了bias+noise的方法來進行imu建模, 但實際上, imu的模型可能比上面的模型復雜很多, 比如加速度計和陀螺儀可能不是共軸的, 也可能他們自己的三個軸就不是正交的.因此這里我們用更復雜的模型來建模imu, 這里我們額外考慮了 scale和misalignment參數.

  Scale主要是解決數據尺度問題, 而misalignment則要解決陀螺儀和加速度計的相對旋轉及軸正交問題. Imu的scale/misalignment/bias 對于每個硬件都不相同, 因此在數據手冊中一般沒有這些數據. 而且scale/misalignment/bias的建模方法也有很多. 我查看了從小覓相機的api讀出的這些參數, 發現他們的建模方法與IMU_TK的建模方法是一樣的. 所以小覓相機的出廠標定應該是用IMU_TK做的, 但不知道是每個相機都會做一次還是一批相機只做一次.

  IMU_TK的建模公式為:

  可以看出b為bias參數, T為misalignment參數, K為scale參數.從參數構成可以看出, IMU_TK的模型是以加速度計為初始, 認為加速度計的Z軸是標準的, 然后校正三個軸互相垂直, 然后再校正陀螺儀的三個軸對應加速度計的關系.標定流程如下圖所示:

  如流程所示, 需要在采集IMU的時候將IMU不停翻面并靜置, 因此我們按此方法使用小覓相機采集了3組數據,同樣設置了PROC_IMU_TEMP_DRIFT以避免溫漂問題. 由于算法需要加速度計的時間戳和陀螺儀的時間戳是完全一致的, 而小覓的相機加速度計和陀螺儀時間戳不是完全同步的, 因此我在采集的時候, 以陀螺儀時間戳為基礎, 對加速度計數據進行了線性插值. 實現了兩種數據的完全同步. 每組數據會有20~30次的翻面過程.下圖是其中一組數據的值.

  采集好數據后, 需要將數據輸入以下算法進行計算.

  從流程圖中可以看出, 從初始的靜止狀態得到陀螺儀的bias值,然后先標定加速度計. 加速度計的error function為:

  物理意義為當加速度計靜止的時候, 他的norm值應該與重力加速度值相等. 使用LM優化方法迭代優化.在得出加速度計參數值以后, 再使用這些參數重新校正所有加速度計值.并進行陀螺儀標定. 陀螺儀的error function為:

  物理意義為兩個加速度計靜止狀態之間的旋轉角度, 應該等同于陀螺儀在這段時間之內的積分值.同樣采用LM迭代優化方法, 并采用龍格庫塔四階積分方法.

  在優化自己采集的數據的同時, 我們讀取了小覓相機自帶的標定參數,以下是比較結果:

  由于小覓的出廠標定沒有設置初始bias, 因此我們認為都是0, 實際上在采集數據的計算結果中也可以看到標定出的bias值都非常小. 從上面兩個表可以看出不同dataset的標定結果基本接近, 與小覓的出廠標定數據也基本一致.

  （此文系轉載，文中所有文字內容和圖片之知識產權均系原作者和機構所有。）

MYNTAI（小覓智能）2014年7月成立于美國硅谷，專注立體視覺技術整體解決方案，致力于為AI打造三維視覺慧眼。核心產品和技術包括以雙目為主的多傳感器融合模組、視覺慣性導航技術、量產級的雙目標定技術、量產級的雙目自標定技術等，以及核心產品和技術在服務機器人、掃地機器人、安防機器人、無人車、無人機和輔助駕駛ADAS中的應用。

小覓智能由斯坦福大學機器人視覺專業，硅谷連續創業者龐琳勇（Leo）博士創立，在北京、無錫、和硅谷擁有100人的研發團隊。

MYNTAI（小覓智能）在開曼群島設有母公司Slightech, Inc. ，并在中國無錫設有全資子公司輕客智能科技（江蘇）有限公司，在中國北京設有全資子公司輕客小覓智能科技（北京）有限公司。

品牌理念

企業定位：專注于“立體視覺技術解決方案”的人工智能公司

企業使命：為人工智能時代應用裝上一雙導航避障的雙眼

企業精神：誠信勤奮執行協作