上一期的视觉里程计，让我们想到了 OKVIS ，知乎上的讨论也比较少，小觅智能来分享一下。
OKVIS 基本介绍
它是由 Stefan Leutenegge 等人提出的基于双目+惯导的视觉里程计，属于 VIO (Visual Inertial Odometry) 。
按照 Davide Scaramuzza 的分类方法，首先分成 filter-based（基于滤波）和 optimization-based（基于优化）的两个大类，这也和一般 SLAM 系统的分类方法类似。
按照是否把图像特征信息加入状态向量来进行分类，可以分为松耦合 (loosely-coupled) 和紧耦合 (tightly-coupled) 。
这是两种独立的分类方法，首先看是基于滤波还是优化的，然后进一步根据状态向量中是否加入了图像的特征信息来判断松紧耦合。
松耦合的工作不多，而且效果显然是没有紧耦合好，紧耦合中比较经典的是 OKVIS，前端基于 BRISK 算法，后端基于滑动窗口的优化，支持单目和双目视觉。
OKVIS 的算法流程是通过 IMU 测量值对当前状态做预测，根据预测进行特征提取和特征匹配，3D 点特征和二维图像特征构成优化中重投影，同时预测的 IMU 的状态量和优化的参数之间构成 IMU 测量误差，这两项误差放在一起做优化。
OKVIS 和 VINS 比较
系统级别上：
VINS 具有自动初始化，在线外参标定，重定位，闭环检测，以及全局位姿图优化功能。OKVIS 不支持重定位，也没有闭环检测或校正方案。 VINS 相比 OKVIS 有更加完善和鲁棒的初始化以及闭环检测过程。
CPU 使用率：
在 OKVIS 和 VINS-MONO 之间，OKVIS 拥有更多的 CPU 使用率，主要是因为它使用 Harris 角点检测和 BRISK 特征点检测进行时间和立体匹配。
实际跑的效果：