首先假设读者是了解基础VSLAM，了解VIO基础(至少要会标定，调过几个开源系统的)

       先说一下双目的VINS-FUSION，大部分问题都是基线造成的问题，简单点说就是如果使用较短的基线如5cm(Real

sense)和常规的14cm，在大场景(如空间广阔，特征分布远近不一的大户外场景)中失去尺度是比较正常的，室内一般纹

理比较好的区域相对单目还是比较稳定的，尤其是可以静止初始化是比较大的优势。FUSION因为代入了2个相机的特征+视差，

开销也是较高的，另外双目系统的外部参数会比较复杂，调参过程相对会麻烦很多。使用较大的基线则探测和建图的

距离很远(如DJI+五菱的方案)，在室外也不会飘飞，缺点是会有近距离灯下黑的情况需要补摄。其他都和单目VIO差不多，下面详

述，基本普遍适用各类主流VIO。

       单目VIO很容易飘飞和出现精度问题，涉及的场景多种多样，今天主要讨论常规问题，就不多涉及ZUPT了(ZUPT

参见前文)

尺度崩溃/飘飞：

1.首先看快门，如果使用的是卷帘快门尽量换全局快门，目前已知的卷帘快门工作得比较好的还是REALSENSE系列。

2.其次看TD，即相机与IMU之间的对时，以IMU-200HZ，相机30fps为参考，如TD>30ms，系统基本不可用，也不需

要研究别的了，尽量控制到10ms以内，卷帘快门自己调的话比较难达到，1Xms也凑合能用，但是时间长了容易有问

题。自己做硬件设计的话使用MCU做同步触发。

3.然后看前端开销，使用的如果是算力较好的平台如NUC/XAVIER之类的话不涉及，如果是嵌入式系统看看整个特征

提取，匹配，几何校验，RANSAC的平均单张耗时，>50ms的话容易出问题，即使不出现尺度飘飞，也会在长距离

探索中严重影响精度。

4.然后看后端BA开销，平均单张不应超过100ms(部分复杂纹理的关键帧偶然超过没问题)，滑窗至少需保持6+，BA

处理8+。ICE的话LBA滑窗50，DMVIO滑窗7即可(判断机制完全不同，多了没用)

5.点云匹配，深度数据和点云数据是2件事，如使用或打开了ICP进行点云匹配，开销是巨大的，不宜与VIO存在于同

一算力平台，没有足够好的优化系统是跑不好的。而这一块的优化工作量巨大。说人话就是跑了VIO的嵌入式系统不

要再开D相机的ICP(哪怕用了较好的数据结构如KD-TREE/八叉树等)，当前世界主流SOC系统均支持不好，包括车载

用的主SOC(通常都是极强的NPU，弱兮兮的主核，一般般的GPU，常常没有DSP)，主要还是给激光和深度用的，不

适合双开。

6.初始化质量，这个的判断不难，通常面前有较好的纹理，一个简单的扇面移动或摆头就能做好，VINS的初始化无论

单双目都很不错。而且初始化如质量不佳很快就会飘飞，很容易通过代码做判断。

7.剩下导致尺度飘飞的就是ZUPT那一大堆问题了，见前文。

8.DMVIO/DM-VIO除了以上部分主要涉及的是光度标定，整个TUM系列的光度标定都是重中之重，可以放到重要性第

5位。ICE-BA/ICEBA反而只需要弄好1和2就基本不飞了，这东西实在是太鲁棒了，缺点就是精度非常差，关注的始

终是BODY坐标系，和世界坐标系的耦合度一般，经常会玄学漂移，真心不太适合机器人的应用落地。

精度问题：

1.首先对精度影响较大的就是相机内参，但是这个一般会张定友和Kalibr的都不会标错，出问题的几率很低。

2.外部参数：Qbc是一个3x3矩阵，同轴的话往往就是个单位阵(懒一点直接置0置1就行)，代表的是IMU和相机的旋转

关系，自己装相机的话只要装正一点就行了。但是这个单位阵的形态会变化(比如常见的从1,0,0,0,1,0,0,0,1变成0,-1,0

,1,0,0,0,0,1)，即这个旋转关系本身会根据你实际设计相机时，IMU与相机相对位置的差别而变化。这个其实也很难出

错，但是这个出错系统基本就废掉了，这个可以先填个上面的阵再让系统自己优化和估一下。

3.外部参数：Pbc，这个其实就是相机和IMU的x/y/z相对位置，也是非常难出错的，实际拿游标卡尺大概量一下都差不

多。。。一般让系统自己估一下能非常准，如果出问题比如出现了几十cm这种极大值，那就不要看这里，9成9是上面

的前8个基础问题。

4.外部参数：Gc0，这个是很直接影响精度的，而且不仅仅影响Z轴(这一点大家往往容易忽略)，但是只要模长不填错，

自估算产生的影响并不大。

写到这里大家看了可能觉得很废，那意思就是上面4个出问题的几率不高咯，那你说个鬼！其实我是想说大家当系统

精度出问题的时候尽量先不要去乱怀疑上面那几个。。。首先考虑8个主要问题。好了，精度出问题和参数强相关的

如下：

5.IMU内参，首先要知道你用的IMU本身无论如何都会飘，先使用滤波处理好毛刺。比如常用的低成本博世IMU，其

实良率与一致性问题都很大，需要经历精准的调校，这里可以用Kalibr和其他工具标，然后用6面法或者加个转台调

(但是低精度的IMU

其实用了也白用)，这块一共涉及4样东西，acc(加速度)的bias和noise，gyro(角速度)的bias和noise，但是就是会有

那么些IMU，无论你怎么努力，这4样里面都会有些问题，那大概怎么判断呢？ 这4项里面如果有1项数量级到了e-02

次方，基本就不可用了，累积的误差会使你的努力都白费。但是如果e-03或者更小就还是可以接受的，视觉总是能

给你纠回来。如果有e-02的IMU，在纹理丰富处表现尚可，但是如果应对激烈场景就容易使系统迅速进入低精度状

态： 举个例子，如gyro的bias很大，则在无纹理区域的转向输入会产生较大的偏差，在长距离探索当中，这种累计

哪怕是0.5度，随着探索距离的增长，整体数据就会变得不再可用了。 应对方式：换掉这个IMU或者相机，或者使

这个装置只在室内丰富纹理处使用(室外除非是小回环场景)。

       万变不离其宗，此文送给调参侠们(我也是之一，哈哈)，VSLAM和VIO的路漫漫其修远兮，但是光明逐渐到来，

最近2个月的主要精力都放到了更深一步的优化上，不仅仅是通过多核负荷分担，而是得要从更加本质的角度去解

决问题！今天也是补充一些大家平时经常提问的问题。当具备了三相性(开销/鲁棒/精度)的VIO真正构建起了世界观

(半稠密建图)，再结合重定位就可以开始真正的小范围低成本世界探索了。