前面聊了ORB-SLAM3的视觉惯性融合。这篇详细解析另一个经典方案——VINS-Mono。VINS-Mono是香港科技大学沈劭劭团队2018年发表的，是视觉惯性里程计（VIO）领域最有影响力的系统之一。在EuRoC和KAIST数据集上，VINS-Mono的精度和鲁棒性都达到了当时的最高水平。面试中VINS-Mono和ORB-SLAM3经常被拿来对比，你得清楚两者的架构差异和各自优劣。VINS-Mono的整体架构VINS-Mono也是前后端分离的架构，但和ORB-SLAM3有很大不同。前端：图像处理和特征追踪。用Shi-Tomasi角点检测+LK光流法做特征追踪。IMU数据做预积分。后端：滑动窗口优化。维护一个固定大小的滑动窗口（默认10帧），每次窗口向前滑动时，最老的一帧被边缘化。用LM法求解优化问题。回环检测：用DBoW2做回环检测，检测到回环后做4DoF位姿图优化（只优化yaw和平移，不优化roll和pitch，因为VIO的roll和pitch由重力方向确定）。# VINS-Mono的核心流程 class VINS_Mono: def process(self, img, imu_data): # 前端 features = track_features(img) # 光流跟踪 preint = preintegrate(imu_data) # IMU预积分 # 后端（滑动窗口优化） window.add_frame(features, preint) if window.is_full():