简介
VINS，英文缩写Visual-Inertial Systems.是一个实时视觉SLAM框架，2017年由香港科技大学开源的一个VIO算法。官方提供的下载链接：https://github.com/HKUST-Aerial-Robotics/VINS-Mono。
经过一年多的优化，该团队又推出一套更强大的开源算法框架：VINS-Fusion，下载链接：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion。
那么，接下来我们就演示如何将该系统跑起来。
配置
一方面参考官方提供的Readme,进行安装，这里提供的安装环境为Ubuntu and ROS系统下，Ceres Solver安装，Ceres是什么就不做介绍，安装过程参考官网或者CSDN其他博客。
下面是关键库Ceres安装过程：
# CMake
sudo apt-get install cmake
# google-glog + gflags
sudo apt-get install libgoogle-glog-dev
# BLAS & LAPACK
sudo apt-get install libatlas-base-dev
# Eigen3
sudo apt-get install libeigen3-dev
# SuiteSparse and CXSparse (optional)
# - If you want to build Ceres as a *static* library (the default)
# you can use the SuiteSparse package in the main Ubuntu package
# repository:
sudo apt-get install libsuitesparse-dev
tar zxf ceres-solver-1.14.0.tar.gz
mkdir ceres-bin
cd ceres-bin
cmake ../ceres-solver-1.14.0
make -j3
make test
# Optionally install Ceres, it can also be exported using CMake which
# allows Ceres to be used without requiring installation, see the documentation
# for the EXPORT_BUILD_DIR option for more information.
make install
基本的库还有Eigen3和OpenCV,这里就不做赘述，相信从事计算机视觉算法的同学，都很熟练使用了。
然后，按照官方说明编译VINS-Fusion工程：
cd ~/catkin_ws/src
git clone https://github.com/HKUST-Aerial-Robotics/VINS-Fusion.git
cd ../
catkin_make
source ~/catkin_ws/devel/setup.bash
这个过程和ROS其他程序操作流程基本一样，不了解的同学可以学习一下《ROS机器人程序设计》。
下图为编译过程，电脑性能可以的话，几分钟就可以了：
图一：编译环境
最后，我们还需要下载数据集，常用的数据有EuRoC，KITTI等，这里我们以下载EuROC上Easy的数据包为例，登录官网，在Download下选择你要测试的数据包。里面包含了我们需要的数据。
至此，我们已经完成了环境的配置，接下来，我们就基于ROS环境，进行简单的实验吧。
执行
这里也安装官方的方法，分三个环节。
单目 + IMU
下面，我们就在ROS工作空间执行对应的操作了，我们先运行单目+IMU的开环和闭环节点。
// 新增这一句
source devel/setup.bash
// 单独终端窗口
roscore
// 运行启动文件
roslaunch vins vins_rviz.launch
// catkin_ws目录下
rosrun vins vins_node src/VINS-Fusion/config/euroc/euroc_mono_imu_config.yaml
// 闭环，必须在开环执行到一定程度才能启动
(optional) rosrun loop_fusion loop_fusion_node src/VINS-Fusion/config/euroc/euroc_mono_imu_config.yaml
// 运行刚才下载的ROS bag
rosbag play YOUR_DATASET_FOLDER/MH_01_easy.bag
测试效果如下：
我们看到在不加闭环的情况下，轨迹和GroundTruth非常接近，也能回到起始位置。那我们再看一下加闭环之后的效果：
通过上图我们发现闭环对轨迹优化的效果。
双目 + IMU
也是使用我们刚才的安装包，操作流程如下：
// 执行启动文件
roslaunch vins vins_rviz.launch
// 开环
rosrun vins vins_node ~/catkin_ws/src/VINS-Fusion/config/euroc/euroc_stereo_imu_config.yaml
// 闭环优化
(optional) rosrun loop_fusion loop_fusion_node ~/catkin_ws/src/VINS-Fusion/config/euroc/euroc_stereo_imu_config.yaml
// 运行ROS bag
rosbag play YOUR_DATASET_FOLDER/MH_01_easy.bag
这里我们就不展示图片了。
双目相机
这也是我们很多工程师关注的地方，具体流程如下：
// 启动文件
roslaunch vins vins_rviz.launch
// 运行节点
rosrun vins vins_node ~/catkin_ws/src/VINS-Fusion/config/euroc/euroc_stereo_config.yaml
// 运行ros bag
rosbag play YOUR_DATASET_FOLDER/MH_01_easy.bag
留一个问题，为什么双目没有闭环优化这一环节呢？欢迎大家留言。
下面是KITTI数据集做了一个GPS和双目的融合实验。
双目 + GPS
这个实验我们没有做，就不做介绍了。
roslaunch vins vins_rviz.launch
rosrun vins kitti_gps_test ~/catkin_ws/src/VINS-Fusion/config/kitti_raw/kitti_10_03_config.yaml YOUR_DATASET_FOLDER/2011_10_03_drive_0027_sync/
rosrun global_fusion global_fusion_node
通过，上面的测试已经完成了VINS-Fusion的功能验证。
最后，我们将看看如何将开源框架应用到我们的产品上。
落地
开源该算法不仅仅是一个软件算法，它也非常依赖硬件平台，对于初学者，作者推荐我们使用全局曝光相机和已经实现了双目同步和IMU同步的硬件平台。
不同的硬件平台，如果想引用EuROC或者KITTI作为仿真数据，需要编写自己的配置文件。
标定也是我们离不开的一个环节，虽然，该算法支持多种相机模型，但是，也需要你将自己的相机标定参数写到配置文件中。
其中，作者也提供了一种ROS环境下的标定方法：
cd ~/catkin_ws/src/VINS-Fusion/camera_models/camera_calib_example/
rosrun camera_models Calibrations -w 12 -h 8 -s 80 -i calibrationdata --camera-model pinhole
最后，也需要大家了解我们使用ceres solver非线性优化工具和DBoW2作为闭环检测，通用的相机模型和GeographicLib库。
备注：
The source code is released under GPLv3 license.