企业官网建设流程全解析

IC-GVINS如何在一个统一坐标系下融合IMU、视觉与GNSS：因子图优化完全指南

【免费下载链接】IC-GVINSA Robust, Real-time, INS-Centric GNSS-Visual-Inertial Navigation System项目地址: https://gitcode.com/gh_mirrors/ic/IC-GVINS

IC-GVINS 是由武汉大学 i2Nav 团队开源的鲁棒、实时、INS 中心（INS-Centric）GNSS-视觉-惯性导航系统。它的核心思想是：以惯性导航系统（INS）为参考基准，将 IMU 预积分、GNSS 位置观测和相机重投影三类观测，统一转换到同一个世界坐标系中，再通过因子图优化（基于 Ceres Solver）实现紧耦合融合，从而在城市峡谷、GNSS 多路径等复杂环境下依然保持稳定、精准的定位。

一、为什么选"INS 中心"：稳健性的来源 🧭

视觉导航容易受光照、纹理等复杂环境影响，而惯性导航不依赖外部环境。IC-GVINS 的设计哲学正是把最可靠的那一方作为"主角"：

• INS 主导：IMU 数据以 200 Hz 高频提供连续的状态外推，视觉与 GNSS 作为低频观测对 INS 进行"纠偏"；
• INS 辅助视觉：用精确的 INS 信息辅助特征跟踪与地标三角化，在剧烈运动下也不容易丢失跟踪（源码见ic_gvins/ic_gvins/tracking/tracking.cc）；
• GNSS 辅助初始化：利用 GNSS 快速完成航向与姿态初始化，避免纯视觉初始化失败带来的连锁崩溃；
• 地球自转补偿：在 INS 预积分中显式补偿地球自转，可显著提升高等级 IMU 的长时间精度。

二、统一坐标系如何建立：局部 ENU 坐标系 + WGS84 🌍

因子图优化要求所有观测"说同一种语言"。IC-GVINS 的做法非常经典：

1. 选原点：系统初始化时，以第一个有效 GNSS 的地理坐标（经度、纬度、高度，即 BLH 坐标）作为世界坐标系原点（见ic_gvins/ic_gvins/ic_gvins.cc中integration_config_.origin的赋值逻辑）；
2. 全局转局部：之后每帧 GNSS 观测都通过Earth::global2local()从 WGS84 大地坐标转换到以原点为参考的局部东北天（ENU）坐标系，再进入因子图；
3. 局部转全局：优化完成后，再通过Earth::local2global()把局部状态映射回经纬高，输出标准航迹。

这些坐标与旋转矩阵的换算（含 WGS84 椭球参数、大地水准面曲率半径）都封装在 earth.h 中。另外，GNSS 天线与 IMU 之间存在物理距离，系统在因子中加入了杆臂改正（antlever参数），把 GNSS 位置换算到 IMU 本体坐标系，这也是统一坐标系下"严丝合缝"的关键细节之一。

三、因子图优化"三大件"：IMU 预积分、GNSS 因子与重投影因子 🧩

在滑动窗口内，Ceres Solver 求解一个非线性最小二乘问题，窗口中的变量是各时间节点的位姿、IMU 零偏与相机标定参数。约束（因子）主要由以下四部分构成：

整个优化流程（构建因子图 → 卡方剔除粗差 → 求解 → 边缘化 → 更新状态）都在 ic_gvins.cc 的runOptimization()线程中完成，与跟踪、融合线程并行，保证了实时性。

💡 小贴士：窗口大小由配置项optimize_windows_size控制，默认 10 个关键帧；GNSS 与重投影粗差分别通过卡方检验（gnssOutlierCullingByChi2）自动剔除，这是系统"鲁棒"的又一层保险。

四、地球自转补偿：容易被忽视的精度增益 🌐

在 gvins.yaml 中有一个开关iswithearth: true，开启后：

• 预积分方程中加入地球自转角速度项iewn与科里奥利项enwn（定义见 earth.h）；
• 使用PreintegrationEarth而非简单平地模型做 IMU 积分（preintegration/preintegration_earth.cc）；
• 对 MEMS 级别 IMU 的长窗口预积分误差有可测的改善，这也是团队另外一篇 IEEE Sensors Journal 论文的主题。

五、快速上手：一键运行官方数据集 🚀

环境要求：Ubuntu 18.04/20.04 + ROS + Ceres Solver 2.x + OpenCV 4（详见 README.md）。

mkdir ~/gvins_ws && cd ~/gvins_ws && mkdir src && cd src git clone https://gitcode.com/gh_mirrors/ic/IC-GVINS.git cd .. catkin_make -j8 -DCMAKE_BUILD_TYPE=Release source devel/setup.bash

运行官方演示数据集（修改配置文件与命令行中的路径即可）：

roslaunch ic_gvins ic_gvins.launch configfile:=path/urban38/IC-GVINS/gvins.yaml rosbag play path/urban38/urban38.bag

官方开源了两套数据集：KAIST 复杂城市数据集（urban38/urban39，轨迹长达 11 公里）和团队自采机器人数据集（campus/building）。urban38 的轨迹示例如下：

机器人楼宇数据集（building）中大量 GNSS 遮挡场景，非常适合观察因子图在退化环境下的表现：

六、核心配置参数速查表 ⚙️

所有参数集中在 gvins.yaml，新手重点关注以下几项：

📌 用自己的数据时请牢记：IMU 必须为前-右-下坐标格式，且 IMU、相机、GNSS 需完成时间同步，并修改ic_gvins/launch/ic_gvins.launch中的话题名。

七、总结

IC-GVINS 给出了"多传感器融合导航"的一套清晰答卷：以 INS 为圆心、以局部 ENU 统一坐标系为画布、以因子图优化为画笔——IMU 预积分提供连续动态约束，GNSS 因子锚定全局位置，重投影因子注入视觉几何信息，边缘化与卡方剔除则让窗口滚动时的系统又稳又准。如果你想深入源码，建议按ic_gvins/ic_gvins/ic_gvins.cc（总控流程）→preintegration/（IMU 积分）→factors/（三类因子）的顺序阅读，一周内就能读懂整个融合闭环。

【免费下载链接】IC-GVINSA Robust, Real-time, INS-Centric GNSS-Visual-Inertial Navigation System项目地址: https://gitcode.com/gh_mirrors/ic/IC-GVINS