Visual和IMU融合的优势如下：
视觉与IMU的融合可以借助IMU较高的采样频率，进而提高系统的输出频率。
- 视觉与IMU的融合可以提高视觉的鲁棒性，如视觉SLAM因为某些运动或场景出现的错误结果。
- 视觉与IMU的融合可以有效的消除IMU的积分漂移。
- 视觉与IMU的融合能够校正IMU的Bias。
- 单目与IMU的融合可以有效解决单目尺度不可观测的问题。
VIO的分类：
1. 按照类似SLAM的分类方法，可分为Filtered-Based和Optimization-Based两大类。
2. 按照是否把图像特征信息加入状态向量进行分类，可分为Loosely-Coupled和Tightly-Coupled。
这两种独立的分类方法，首先看是基于滤波还是优化，然后进一步判断松紧耦合。
Filtered-Based：
1. Tightly-Coupled需要把图像feature加入到特征向量，整个系统状态向量的维数很高，需要很高的计算量，比较经典的算法有MSCKF，ROVIO。
2. Loosely-Coupled避免把图像feature加入到特征向量，是在计算VO之后才和IMU数据进行融合。比较优秀的算法还有SSF和MSF。
Optimization-Based：
1. OKVIS是目前比较经典的紧耦合方法，松耦合的算法目前还不多。
接下来计划陆续分享：
1. Deltavision.io 7251/9281+BMX055 VSLAM硬件模组
2. Camera/IMU内外参标定方法
3. VIO算法以及公式演算……