2. ROVIO，基于稀疏图像块的EKF滤波实现的VIO

  紧耦合，图像patch的稀疏前端(?)，EKF后端

基于扩展卡尔曼滤波:惯性测量用于滤波器的状态传递过程；视觉信息在滤波器更新阶段使用。

他的优点是：计算量小(EKF，稀疏的图像块)，但是对应不同的设备需要调参数，参数对精度很重要。
没有闭环.
没有mapping thread。
经常存在误差会残留到下一时刻。

多层次patch特征处理：

rovio_noros_laptop

处理图像和IMU

  图像和IMU的处理沿用了PangFumin的思路。
  只是把输入换成了笔记本摄像头和MPU6000传感器
  。摄像头数据的读取放在了主线程中，IMU数据的读取放在了单独的线程中。
  主线程和IMU线程通过一个Queue共享数据。

处理图像和IMU

图像和IMU的处理沿用了PangFumin的思路。只是把输入换成了笔记本摄像头和MPU6000传感器。
摄像头数据的读取放在了主线程中，IMU数据的读取放在了单独的线程中。
主线程和IMU线程通过一个Queue共享数据。

测试

反复实验的经验如下：一开始的时候很关键。最好开始画面里有很多的feature。
这里有很多办法，我会在黑板上画很多的feature，或者直接把Calibration Targets放在镜头前。
如果开机没有飘（driftaway），就开始缓慢的小幅移动，让ROVIO自己去调整CameraExtrinsics。
接着，就可以在房间里走一圈，再回到原点。

我一开始以为如果有人走动，ROVIO会不准。但是实测结果发现影响有限。
ROVIO有很多特征点，如果一两个特征点位置变动，ROVIO会抛弃他们。这里，ROVIO相当于在算法层面，解决了移动物体的侦测。

ROVIO与VR眼镜

一个是微软的Kinect游戏机，用了RGBD摄像头。
而HTCvive和Oculus，则使用空间的两点和手中的摄像机定位。
ROVIO没有深度信息，这也许就是为什么它容易driftaway。

如果要将ROVIO用于产品上，可能还需要一个特定的房间，在这个房间里，有很多的特征点。
如果房间里是四面白墙，恐怕ROVIO就无法运算了。

有限空间的定位

但是如果环境是可以控制的，也就不需要ROVIO了。
可以在房间里的放满国际象棋盘，在每个格子里标上数字，
这样只需要根据摄像头视野中的四个角上的feature(数字)，就能确定位置了。
这里不需要什么算法，因为这样的排列组合是有限的。
只需要一个数据库就可以了。在POC阶段，可能会用数字。当然到了产品阶段会换成别的东西。