0 前言

疊甲：本人不是導航、自動駕駛這類研究方向的，做的是點云三維重建，接觸到該項目的起因為了幫忙趕材料。下文中若有任何疏漏錯誤還請海涵，亦多謝您耐心指正。本文供記錄、整合和墊腳石之用。

使用的項目地址：

Publication聲明：

路過的大佬能否指點一下：PVIO的執(zhí)行命令中，有沒有僅以imu數據來進行解算并生成軌跡線的命令？（有累計誤差也ok，主要是有沒有這個功能）

imu預積分作用：網上很多理論的解析，參考

簡述下我認為預積分的作用：（1）提取每次迭代運算中的不變量，且只需線性運算便可校正測量值，減少運算時間；（2）通過融合傳感器數據來抑制累積誤差，估計imu的零偏bias值（存疑）。

好了，接下來便是PVIO程序配置與運行的過程記錄，希望對你有所幫助。

1硬件準備與系統(tǒng)安裝

（1）一臺硬盤容量80G以上的電腦。感謝同門暫借了我一臺老筆記本，這是它的配置：

（2）一塊16G的移動U盤。用于制作ubuntu系統(tǒng)啟動盤。

ubuntu系統(tǒng)為ubuntu-18.04.6-desktop-amd64，制作啟動盤參考：

【win11下用rufus安裝Ubuntu雙系統(tǒng)】 https://www.bilibili.com/video/BV1BP411577g/?share_source=copy_web&;vd_source=1e602e9eb283891156fa67e21d45244a

系統(tǒng)安裝參考：

【Windows 和 Ubuntu 雙系統(tǒng)的安裝和卸載】 https://www.bilibili.com/video/BV1554y1n7zv/?p=8&;share_source=copy_web&vd_source=1e602e9eb283891156fa67e21d45244a

其中使用的是GPT分區(qū)進行安裝，未使用MBR分區(qū)。

2依賴項安裝

2.1vim+gcc+gdb

參考https://blog.csdn.net/Nonpc123/article/details/90043490

打開ubuntu的終端，輸入命令：

2.2cmake

一開始用apt-get安裝的版本為3.10.2，比項目中要求的cmake版本低?，F版本為3.25.2，具體的更新步驟忘了...

可參考https://blog.csdn.net/qq_27350133/article/details/121994229

安裝好cmake后，其實就可以跳轉到3，嘗試編譯cmakeList文件來生成項目的工程文件，然后根據報告的錯誤信息去安裝相應的依賴項。比方說報錯“OpenCV_DIR does not exist”，那“_DIR”前面的為系統(tǒng)缺少的依賴項名稱。

2.3OpenCV

安裝的版本為4.7.0，參考https://blog.csdn.net/weixin_44698673/article/details/127082446

（1）安裝依賴環(huán)境。在終端中輸入命令：

（2）打開opencv官網https://opencv.org/releases/，點擊sources下載源碼并解壓。

（3）進入解壓后的源碼目錄，【右鍵】>【在終端打開】，輸入命令：

（4）配置環(huán)境變量。打開終端輸入命令：

在打開的ld.so.conf文件的末尾另起一行，輸入、保存：

回到終端并輸入：

在文件的末尾另起一行，輸入以下兩行命令、保存：

回到終端并輸入：

（5）使用pkg-config工具檢測OpenCV的版本，是否安裝成功

2.4yaml-cpp

一個使用C++語言的YAML解析器與發(fā)射器。參考https://blog.csdn.net/qq_43278899/article/details/128474075

（1）在https://github.com/jbeder/yaml-cpp下載源碼壓縮包并解壓。

（2）進入源碼目錄，【右鍵】>【在終端打開】，輸入命令：

2.5Eigen3

參考https://blog.csdn.net/qq_57061492/article/details/126163112

（1）在eigen官網http://eigen.tuxfamily.org/index.php?title=Main_Page中點擊“The?latest stable release..”后的鏈接，下載壓縮包并解壓。

（2）進入源碼目錄，【右鍵】>【在終端打開】，輸入命令：

（3）進入目錄/usr/local/include/eigen3，復制目錄下的文件“Eigen”到目錄/usr/local/include。該步驟是為了讓項目內.cpp文件中的#include <Eigen/Dense>能檢索到eigen依賴項。

2.6ceres-solver

一個非線性優(yōu)化庫，使用版本2.1.0。參考

注意最好使用官網提供的包或git，我第一次安裝的是github上其他源的，后續(xù)的編譯有較多報錯。

（1）進入ceres-solver官網http://ceres-solver.org/installation.html，在“獲取源碼”下方點擊鏈接“l(fā)atest stable release”下載壓縮包并解壓。

（2）進入源碼目錄，【右鍵】>【在終端打開】，輸入命令：

（3）進入目錄/usr/local/include查看是否存在ceres文件夾。

2.7OpenGL

這個庫是臨時補充的依賴項。在cmake項目PVIO時報錯：

參考：https://blog.csdn.net/ei1990/article/details/84890005

在終端中輸入命令：

2.8FFMPEG

該依賴項可能不是必須的。參考https://blog.csdn.net/u011178262/article/details/120565605

在終端中輸入如下命令：

3安裝PVIO

終于，在配置好各種依賴項后（或者還在配置中），我們開始安裝PVIO程序。

（1）下載PVIO源碼并解壓。

（2）進入源碼目錄，【右鍵】>【在終端打開】，輸入命令：

（3）cmake、make過程中出現的問題：

有兩種解決方法：一是重新執(zhí)行命令“cmake?..”并祈禱連接到GitHub的網絡能穩(wěn)定通暢，是可行的但得多試幾次；

二是自己動手把庫下載下來：點擊子模組‘ext/nanogui’后提供的GitHub地址，下載源碼并解壓到程序提供的子模組路徑下，然后重新執(zhí)行命令“cmake?..”。

解決方法：安裝OpenGL庫，見2.7部分，然后重新執(zhí)行命令“cmake?..”。若仍報相同錯誤，可能原因是程序未查詢到該庫的依賴項。參考https://blog.csdn.net/CCCDeric/article/details/129722580

在終端輸入如下命令：

解決方法：查看標紅代碼中函數的命名空間，或編譯該代碼所在的文件目錄，根據這些名稱重裝相應的依賴項。

PVIO?cmake、make成功的截圖：

4下載示例數據

（1）使用的是公開的EuRoC MAV 數據集，下載地址：

在“Downloads”下有數組數據集，點擊表格ASL Dataset Format下的link鏈接，下載相應數據的壓縮包。

（2）在PVIO源碼目錄創(chuàng)建文件夾Data（與文件夾build處在同一級目錄下），將壓縮包文件解壓至Data文件夾內。

5運行PVIO

（1）這里截取了PVIO源碼ReadMe中關于執(zhí)行的部分：

參考chatgpt的翻譯，PVIO的執(zhí)行命令分三部分：（1）運行文件pvio-pc，該文件位于源碼目錄/build/pvio-pc；（2）指定所使用的數據集[data_scheme]://和該數據集所在路徑[data_path]；（3）數據集的配置文件[config_yaml_path]，位于源碼目錄/config。

執(zhí)行命令的每部分前需要敲個空格。

（2）進入build文件夾目錄，【右鍵】>【在終端打開】，輸入命令：

終端會顯示相應的配置信息，并打開NanoVis可視化窗口。

報錯“段錯誤（核心已轉儲）”的解決方法：關閉NanoVis窗口，重新輸入命令。該報錯的原因未知，可能是電腦內存不夠。

（3）點擊NanoVis中的按鈕【Run】開始解算?！維tep】為逐幀解算，【ShutDown】為關閉程序。第一列數據為慣導系統(tǒng)三軸角速度和三軸加速度的靜態(tài)偏差值，第二列為逐幀影像及匹配的同名點（猜測），第三列為儀器的狀態(tài)參數。不清楚藍線與紫線哪條為糾正后的軌跡。

解決方法：嘗試再點一下【Run】；或者檢查下數據集的所在路徑是否有誤，重新在終端輸入PVIO執(zhí)行命令。

（4）在build文件夾下的trajectory.tum為生成的軌跡線文件，可用文本格式讀寫。有八列數據，沒有表頭不清楚各列含義。

6其他、后記

（1）有關PVIO的論文，在項目的ReadMe文件中有它的下載地址：

該文P290的頁腳處，有關于PVIO實驗補充材料的下載鏈接，其中有兩段視頻——記錄有多個數據集經預積分后生成的軌跡線；以及一份報告，PVIO與其他算法在多個數據集下的軌跡精度對比。

佷詳實，佩服。（汗，雖然看不太懂）

（2）從配置到運行成功大概花了一天半，如果同學你也有復現的需要，建議預留出兩天時間來習慣ubuntu的操作，并耐心配置這繁多的依賴項。

ok，至此有關PVIO的記錄已基本完畢，余下的為吐槽時間。

PVIO后續(xù)若要納為己用，肯定是要涉及源碼優(yōu)化和數據集的制作，自己應該是不會繼續(xù)向下推進了，淺嘗輒止。弄好當天就找老師做了個簡短匯報——從輸入數據上看得有相機+慣導的數據，沒法僅處理imu數據，不然估計要大改程序，還得摸索著找各個功能的入口，不是個短時間的任務。估計老師聽著也有些懵，但好在已pass掉我這塊的內容了，因為這看著也不像是純imu解算能到的精度和結果。這幾天的精力和時間就這么棄掉也挺可惜的，于是，這篇記錄被攢出來了（笑）。

以及關于引言部分的求指點，我猜，PVIO的程序里，imu預積分功能大概是沒法這樣弄，哪怕實現了，這種通過遞推得到的精度，在未知靜態(tài)偏差值的情況下，應該也好不到哪去。純imu應該是沒法算bias值的，得有其他源的數據來進行標定，按《預積分總結與公式推導》中所說：

對于理解 IMU 預積分理論所需的慣導知識...的更多復雜內容，比如對地球自轉的處理，以及地速與絕對速度等概念就不做展開了。

IMU 和視覺這兩種不同源的測量，也使得 IMU 的 bias 可觀，從而可以在優(yōu)化中被有效估計。

只能說...我也沒做好功課，傻乎乎地撲上去弄這個imu預積分了。若要達到老師的要求，其實該去摸索下傳統(tǒng)的捷聯導航算法，至少也能憋出點實在的內容。

那么，感謝你耐心看到這里，承蒙厚愛，有緣再見。

以上。