视觉惯性里程计估计摄像头和IMU的连续运动，通常带有有界的近期状态或局部地标。 SLAM 添加持续环境状态、位置识别、回环检测或重新定位，使系统能够管理长期的空间一致性。
这两个术语在实际产品中有重叠：视觉惯性系统可能保留地标， SLAM 系统可能以VIO作为前端。工程问题在于哪个状态会持续，哪个帧可以跳跃，漂移如何纠正，以及跟踪丢失或重启后会发生什么。
本指南应与 机器人 SLAM 架构指南 及 传感器融合指南一起使用。在将估计器与机器人控制连接之前，先定义输出合同。
将局部运动估计与持久映射区分开来
VIO将惯性传播与视觉约束融合，以估计姿态、速度和IMU偏差。它可能使用滤波器或滑动窗口的非线性优化。旧态被边缘化，计算保持有界，允许漂移在长轨迹中累积。
SLAM 维护映射变量或姿态图，将当前观测与较早观测连接起来。位置识别和回环检测增加了可能修正全局轨迹的约束。会话间持久性和重新定位是产品选择，而非词 SLAM的自动结果。
编写状态清单：局部姿态、全局姿态、速度、偏差、地标、地点描述符、地图身份和校准。
摄像机和IMU提供了互补的约束
相机通过特征重投影、光流或直接强度关系来约束运动。 IMU提供高速角速度和图像间的比力。惯性模型预测短期运动，视觉证据则校正可观测场景的漂移。
模糊、低质感、重复图案和光线变化会削弱视觉。偏置、振动和饱和度会削弱惯性传播。聚变只有在时间戳、坐标变换和噪声模型与物理传感器匹配时才能成功。
| 功能 | VIO责任 | SLAM 增补 | 接口问题 |
|---|---|---|---|
| 短期运动 | 姿态、速度与偏置 | 可消耗VIO状态 | 什么是延迟？ |
| 近期特色 | 窗口约束 | 可能推广地标 | 什么是边缘化？ |
| 长期记忆 | 通常有限制 | 持久映射或图 | 地图是如何纳入版本管理的？ |
| 重访 | 可能会在本地继续 | 环线关闭 | 输出能跳跃吗？ |
| 重启 | 重新初始化状态 | 在地图上重新定位 | 什么是失败状态？ |
初始化需要可观察的运动和条件
初始化可能需要估计重力方向、速度、度规尺度、偏差以及相机-IMU变换假设。单眼视觉缺乏度规尺度，而惯性激励则使尺度可被观察。弱运动可能导致耦合量难以确定。
测试静态启动、有意激发、移动启动和无效运动。 OpenVINS 文档 描述了研究 VIO 平台中的静态和动态初始化支持；部署后的接受度必须仍与所选配置匹配。
滑动窗口支持有界局部估计
基于优化的VIO保留了近期相机状态、特征和惯性因子，而基于滤波的方法则可以保留多态约束的克隆姿态。边缘化压缩了旧信息，使运行时间不会随路径增长。
窗口长度需要在计算开销、延迟与几何上下文之间权衡。激进边缘化可能失去有用的约束，而过大的窗口可能错过实时截止时间。在最严重视觉负载下测量状态年龄和截止时间余裕。
回环检测修订全局一致性
SLAM后端识别重访地点，几何验证，并在远距离状态之间添加约束。图优化可以将累积误差分布到轨迹中。假循环可能比渐进漂移更严重地破坏地图。
展示候选分数、几何内点数、修正幅度和优化状态。切勿仅凭外观相似性作为地点的证明，尤其是在重复的走廊或机架中。
重新定位不同于连续跟踪
重新定位是在启动或跟踪丢失后，基于存储的地图估算当前相机姿态。这需要兼容的地图、足够的当前视觉证据以及经过验证的匹配。恢复时间和错误重新定位与成功率同等重要。
在重新定位不确定时定义机器人状态。在未验证的全局姿态下继续自主运动，可能比停止或使用受限局部模式更糟糕。
| 失效事件 | 预期本地产出 | 预期全球产出 | 必需测试 |
|---|---|---|---|
| 短暂的视觉中断 | IMU传播在不确定性增加中 | 地图未变 | 定时闭塞 |
| 损失追踪 | 本地状态无效或重置 | 等待重新定位 | 纹理与模糊丢失 |
| 循环接受 | 保持本地连续性 | 全局修正 | 已知的重访路线 |
| 假环候选 | 没有地图更新 | 被拒绝的假说 | 重复位置数据集 |
| 重启 | 新的本地起源或对应国家 | 地图身份检查 | 冷温重启 |
漂移和校正属于不同的参考系
局部光滑里程计框架对控制很有用，尽管它会全局漂移。映射帧可以在回环检测后纠正累积误差。地图坐标系与里程计坐标系之间的变换可以变化，而里程计坐标系与基座坐标系之间的关系应保持连续。
将该设计连接到 TF2 坐标框指南。记录每个协方差所指的帧，以及姿态历史是否被修订。
保护控制器免受全局姿态跳跃的影响
如果直接输入本地控制器，突然的全局修正看起来像是不可能的速度。使用连续的本地状态进行高速控制，并通过预期的导航接口应用全局修正。规划器和控制器的消费者可能需要不同的状态乘积。
在运动、对接和操作过程中测试环路修正。在修正前后测量指令连续性、障碍物对齐和目标处理。
共同校准空间和时间关系
相机内参、镜头畸变、相机到 IMU 的外参和时间偏移影响每一个融合残差。旋转中的偏移可能伪装成外在误差或陀螺偏置。在线校准只有在运动使参数可观测时才能改进估计。
OpenVINS 列出了相机-IMU 变换、时间偏移和惯性内参校准能力。 使用时间同步指南 独立验证采集路径。
评估一致性，而不仅仅是轨迹误差
绝对轨迹误差和相对姿态误差总结了准确性方面，但可能掩盖协方差不一致、延迟和离散失效事件。评估归一化残差或一致性指标、跟踪损失持续时间、环路精度和重新定位时间。
ORB-SLAM3论文提出了一个可视化、视觉惯性和多映射SLAM系统，而OpenVIN论文则提出了一个视觉-惯性研究平台。根据实际启用和测试的功能进行比较系统。
测试数据丢失、重启和地图生命周期
丢弃图像、延迟IMU包、改变曝光、遮挡摄像头并中断计算。验证无效状态信号、估计器重置及下游行为。数值姿态在其支持流失败后不应继续标记有效。
对地图进行版本管理，并关联校准信息和环境身份。测试冷启动、热启、错误地图加载和地图更新回滚。持久状态是具有生命周期责任的运营资产。
选择满足恢复需求的最小架构
在连续短视野状态足够且长期全局一致性来自其他来源时，使用局部VIO。当重访、持续导航或重启对齐需要时，添加映射、环路闭合和重新定位。每个新增都必须承担其计算和失败的复杂性。
发布时要有一份简明的清单。
评估“视觉惯性里程计（VIO）与SLAM对比”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
最终结论应明确写出已知限制、尚未验证的场景和下一项可证伪的实验，使后续团队能够沿着证据继续推进。
实际项目还应指定数据、模型、控制器和安全流程的负责人，并预先定义回滚条件。责任边界、审批记录与变更日志越清楚，故障发生后越容易停止扩散、定位原因并安全恢复。
- 列出局部、全局和持久状态。
- 验证初始化的可观测性和校准。
- 将连续控制姿态与地图修正分开。
- 测量漂移、环路精度和重新定位时间。
- 测试丢失、重启、映射身份和下游恢复。
常见问题
VIO会创建地图吗？
它可以保留本地地标或近期窗口，但持久映射、回环检测和多会话行为是不同的架构选择。
视觉惯性 SLAM 能消除漂移吗？
不会。回环检测可以纠正一些累积的误差，但遗漏或错误的关联、校准和不可观测性依然存在。
单眼VIO能估算公制尺度吗？
通过适当的惯性激励和校准，它可以使尺度变得可观测，但微弱的运动可能导致初始化不可靠。
机器人控制姿势在回环闭合后应该跳跃吗？
通常，在映射到局部变换吸收全局校正时，会保留一个连续的局部帧进行控制。
相机和IMU的收费会有差异吗？
如果采集时间、插值和噪声模型处理正确，且估计器支持该配置，是的。
局部连续性与全局地图边界
位姿估计仅仅因为它是数值的，并不有效。向每个消费者展示初始化、跟踪、地图身份、延迟和不确定性状态。