ROVIO视觉惯性里程计：EKF紧耦合原理、工程部署与参数调试全解析-Seo优化-塔城地区网站建设公司

1. 项目概述：从论文到实践的ROVIO深度拆解

最近在整理过去几年做过的视觉惯性里程计项目，ROVIO（Robust Visual Inertial Odometry）这个名字总是绕不开。它不像现在的那些基于优化的、动辄上千个状态量的滑动窗口方案那么“重”，但其基于扩展卡尔曼滤波（EKF）的紧耦合设计，在特定场景下展现出的实时性和鲁棒性，至今仍有很强的工程参考价值。网上关于它的论文解读不少，但大多停留在公式推导，真正结合代码、踩过坑、把它用在实际机器人或设备上的经验分享却不多。今天我就结合自己多次在嵌入式平台和移动机器人上部署、调试ROVIO的经历，来一次彻底的拆解。目标很明确：不光要讲清楚ROVIO为什么这么设计，更要分享它在工程落地时，你会遇到哪些真问题，以及怎么去解决。无论你是正在学习VIO的学生，还是需要在资源受限平台上实现可靠定位的工程师，希望这篇结合了理论、源码和实战踩坑记录的总结，能给你带来直接可用的参考。

2. ROVIO的核心思想与滤波框架选择

2.1 为什么是EKF？紧耦合的优势在哪？

提到视觉惯性里程计，现在的主流无疑是基于非线性优化的方法，比如VINS-Mono、ORB-SLAM3，它们利用滑动窗口，通过最小化重投影误差和IMU预积分误差来优化状态，精度高，能有效处理闭环。那ROVIO为什么反其道而行之，坚持使用看似“古老”的EKF呢？这得从它的设计目标和应用场景说起。

ROVIO诞生于对计算效率和高速运动鲁棒性的极致追求。EKF是一种递归的滤波器，它的状态向量维度是固定的。在ROVIO中，这个状态向量主要包括：机器人位姿（位置、姿态）、速度、IMU的零偏（陀螺仪和加速度计），以及一系列被跟踪的视觉特征点的逆深度。注意，是逆深度（1/距离），而不是三维坐标。这是第一个关键点：在EKF框架下，对特征参数化方式的选择直接影响滤波器的性能和稳定性。使用逆深度，可以让深度估计从近到远（甚至无穷远）都有一个相对良好的数值特性，更适合EKF的线性化假设。

而“紧耦合”，指的是视觉观测和IMU数据在状态估计的最底层（即滤波器的更新步骤）就融合在一起。与之相对的是“松耦合”，比如用视觉里程计单独算出一个位姿，再和IMU积分的结果用另一个滤波器融合。紧耦合的优势在于，它充分利用了传感器之间的互补性：IMU高频但漂移，视觉相对低频但绝对测量准。紧耦合能够在每一次视觉特征点被观测到时，直接用它来修正包括IMU零偏在内的所有状态，从而实时地抑制IMU的漂移。这对于高速机动（如无人机翻滚、车辆急转弯）的场景至关重要，因为松耦合的延迟可能导致融合结果严重滞后。

实操心得：在工程选型时，如果你的设备算力有限（比如主频几百MHz的嵌入式处理器），但又需要处理高速运动，ROVIO这类EKF-based方案仍然是一个强有力的候选。它的计算量主要取决于跟踪的特征点数量，通常几十个点就能稳定工作，对CPU和内存的压力远小于维护一个包含多帧的滑动窗口。

2.2 ROVIO滤波器的状态向量与递推流程

理解了“为什么用EKF”和“什么是紧耦合”，我们深入到ROVIO的滤波器内部。它的状态向量可以表示为：

[ \mathbf{x} = [\mathbf{x}_\text{robot}, \lambda_1, \lambda_2, ..., \lambda_N]^T ]

其中，(\mathbf{x}_\text{robot}) 是机器人状态，通常包含：

位置 (\mathbf{p}_{WI}) (世界系到IMU系)
姿态（用四元数 (\mathbf{q}_{WI}) 表示）
速度 (\mathbf{v}_W) (在世界系下)
陀螺仪零偏 (\mathbf{b}_g)
加速度计零偏 (\mathbf{b}_a)

而 (\lambda_i) 就是第 (i) 个特征点的逆深度。注意，这个特征点的三维坐标并不是直接存在于状态向量中，而是通过它第一次被观测到的相机帧的位姿（存储在滤波器外的一个“旧状态”中）和它的逆深度推导出来的。这是一种“锚点”参数化方法，减少了状态维度。

滤波器的运作遵循标准的EKF预测-更新循环：

预测步（Propagation）：当新的IMU数据（角速度和加速度）到来时，基于IMU的运动模型，对机器人状态（位置、姿态、速度）进行预测。同时，根据IMU零偏的噪声模型，预测其协方差会增大。特征点的逆深度在这个阶段被认为是不变的（静态世界假设）。
更新步（Update）：当相机图像到来时，对当前图像中跟踪到的特征点进行提取和匹配。对于每一个成功匹配的特征点，计算其在当前相机帧中的像素观测位置（u, v），并与根据当前状态预测的该特征点投影位置进行比较，产生视觉残差。这个残差用于更新整个状态向量（包括机器人状态和所有被观测到的特征点的逆深度）以及对应的协方差矩阵。

这个流程听起来清晰，但工程实现的魔鬼藏在细节里。例如，IMU预测步需要数值积分，常用四阶龙格-库塔法；视觉更新时，特征点的投影涉及到从锚点帧到当前帧的坐标变换，以及相机模型（通常是针孔或鱼眼）的投影函数，这些函数的雅可比矩阵（即线性化）的计算是否正确，直接决定了滤波器的收敛性。

3. 关键工程实现细节与源码级解析

3.1 图像处理与特征管理：效率的基石

ROVIO的实时性，很大程度上得益于其高效且节俭的图像处理策略。它并不像ORB-SLAM那样每一帧都提取数百个ORB特征点，而是采用了稀疏光流跟踪。

特征提取：只在关键帧（或需要补充特征时）提取特征点。ROVIO默认使用FAST角点，因为其计算速度极快。提取后，会进行非极大值抑制，确保特征点在图像上分布均匀，避免扎堆。均匀分布对运动估计的精度和鲁棒性更有好处。

特征跟踪：对于状态中已有的特征点，在下一帧图像到来时，使用金字塔LK光流法进行跟踪。这是一种基于灰度值不变假设的跟踪方法，通过迭代计算特征点在小邻域内的像素位移。金字塔的引入是为了处理大尺度运动，从粗到精地计算光流，提高了跟踪的成功率和范围。

特征管理：这是ROVIO稳定工作的核心逻辑之一，也是源码中值得仔细研究的部分。管理器需要决定：

何时剔除特征点：如果特征点跟踪丢失（光流失败）、超出图像边界、或者其逆深度估计的不确定性（协方差）变得过大，就需要将其从状态向量中移除。移除时，需要从状态向量和协方差矩阵中正确地“抠掉”对应的行和列，这是一个容易出错的操作。
何时添加新特征点：当跟踪的特征点数量低于某个阈值（例如20个），或者当前图像区域缺乏特征点时，需要提取新的特征点。新特征点初始化时，其逆深度被赋予一个较大的初始方差（表示非常不确定），通常初始值设为平均场景深度的倒数（如1/5米）。它的锚点帧被设为当前帧。

避坑指南：在移植或调试ROVIO时，特征跟踪的失败是首要的排查点。光照剧烈变化、运动模糊、缺乏纹理的区域都会导致光流跟踪大面积失败。工程上可以：
增加图像预处理：如直方图均衡化来增强对比度。
调整光流参数：如扩大搜索窗口、增加金字塔层数。
引入更鲁棒的特征描述子（如Brief）进行短暂匹配，作为光流跟踪失败的补救措施，但这会增加计算量。

3.2 IMU处理与预积分：应对高速与噪声

IMU数据是高频（通常100-1000Hz）且含有噪声的。ROVIO在预测步中直接使用IMU的原始角速度和加速度（减去当前估计的零偏）进行运动积分。这里有两个工程重点：

时间同步与插值：相机和IMU的时间戳必须精确同步。硬件同步是最佳方案。如果做不到，则需要软件对齐。在代码中，通常维护一个IMU数据的缓冲区。当进行到某个相机时刻的状态预测时，需要整合从上一相机时刻到当前相机时刻之间的所有IMU数据。这里涉及到对IMU数据的积分，理想情况下应使用更高精度的积分方法。

IMU噪声参数标定：这是影响滤波器性能的超关键参数。主要包括：

陀螺仪和加速度计的噪声密度（gyr_n,acc_n）：描述了传感器白噪声的强度，直接影响预测步中过程噪声的协方差Q。
零偏的随机游走噪声密度（gyr_w,acc_w）：描述了零偏随时间随机变化的强度。

这些参数通常可以从IMU数据手册中找到，但“数据手册值”和“实际值”往往有差距。不准确的噪声参数会导致滤波器要么过于“保守”（信任预测，不相信观测，估计滞后），要么过于“激进”（过分信任带噪声的观测，估计抖动）。最可靠的方法是通过采集一段静止的IMU数据，使用Allan方差工具进行标定。

关于预积分的思考：在基于优化的VIO中，IMU预积分是为了避免在优化中重复积分，并分离出与零偏相关的部分。在EKF中，由于是递归滤波，每次预测步都是从最新状态开始积分，所以没有“预积分”的严格概念。但思想是相通的：我们需要高效且准确地计算两个时间点之间的相对运动增量。在ROVIO的实现中，这部分就是标准的IMU动力学方程积分。

3.3 滤波更新与雅可比矩阵：线性化的艺术

EKF的核心是将非线性系统在当前状态估计处线性化。对于ROVIO，非线性主要来自两方面：IMU的运动模型（旋转动力学）和相机的观测模型（投影函数）。因此，正确计算这两个模型的雅可比矩阵（即状态预测和观测预测对状态向量的偏导数）是滤波器正确的数学基础。

运动模型雅可比（F矩阵）：描述了从k时刻到k+1时刻，状态误差是如何传递的。它包含了姿态误差（常用扰动角建模）、速度误差、位置误差与IMU噪声、零偏噪声之间的关系。这部分公式复杂但相对标准，许多文献都有推导。在代码中，需要确保旋转部分的雅可比（涉及SO(3)李代数）计算正确。

观测模型雅可比（H矩阵）：这是ROVIO实现中更具特色也更易出错的部分。观测是特征点在图像上的像素坐标(u,v)。状态是机器人位姿和特征点的逆深度。H矩阵需要回答：当机器人位姿或特征点逆深度发生微小变化时，投影的像素位置会如何变化？

计算链很长：从特征点在锚点帧下的三维坐标（由锚点帧位姿和逆深度决定）-> 变换到当前世界坐标系 -> 变换到当前IMU坐标系 -> 变换到当前相机坐标系 -> 投影到归一化平面 -> 加上畸变 -> 乘以内参得到像素坐标。每一步都需要求偏导。ROVIO代码中通过自动微分或手动推导实现了这个复杂的雅可比计算。

调试经验：当滤波器发散，或者估计轨迹出现系统性漂移时，在排除了数据同步和特征跟踪问题后，下一步就应该怀疑雅可比矩阵的正确性。一个实用的调试方法是进行数值梯度检验。即，给某个状态量（如某个位置分量）一个微小的扰动δ，分别用观测模型函数计算扰动前和扰动后的投影坐标，用差分 (h(x+δ) - h(x)) / δ 来近似该状态量对应的雅可比矩阵元素。将这个数值梯度与你代码中解析计算的雅可比值进行比较。如果差异显著，就说明你的解析雅可比推导或编码有误。这是定位EKF实现bug的利器。

4. 工程部署实战与参数调试心法

4.1 跨平台移植：从ROS到嵌入式设备

原始ROVIO代码基于ROS框架，提供了良好的传感器驱动和可视化工具。但在实际产品中，我们可能需要将其移植到没有ROS的嵌入式平台（如STM32H7+RTOS，或NX/Orin等嵌入式Linux）。

第一步：剥离ROS依赖。核心是rovio::Filter这个类，它封装了整个EKF状态、预测和更新逻辑。你需要：

替换ros::Time为你的时间源（如std::chrono或平台特定时钟）。
替换图像输入。将cv::Mat格式的图像数据，通过你的相机驱动（如V4L2, MIPI-CSI）直接填充进来。
替换IMU输入。从你的IMU驱动（如SPI/I2C读取的原始数据）读取数据，并转换为角速度（rad/s）和加速度（m/s²）。
重写输出接口。将估计的位姿、速度等信息，通过串口、网络或共享内存发送给其他模块（如控制器、导航栈）。

第二步：优化计算性能。嵌入式平台算力有限，需要做针对性优化：

启用编译器优化：如GCC的-O3，并针对平台指令集（如ARM Neon）进行优化。
简化矩阵运算：ROVIO使用了Eigen库。确保你的Eigen版本开启了向量化。对于固定维度的小矩阵（如3x3, 4x4），使用Eigen的Matrix3d,Quaterniond等固定尺寸类型，性能优于动态类型。
降低特征点数量：这是最直接有效的手段。在纹理丰富的场景，跟踪15-25个高质量特征点足以维持滤波稳定，能大幅减少更新步的计算量（因为H矩阵的行数减少）。
调整图像分辨率：将输入图像降采样（如从640x480到320x240），能显著减少光流跟踪的计算量。

第三步：处理线程与时序。ROVIO内部有预测（高频IMU）和更新（低频图像）两个主要过程。在嵌入式实时系统中，你需要精心设计线程：

一个高优先级线程或中断服务程序处理IMU数据，只进行状态预测和缓存数据。
一个较低优先级线程处理图像，进行特征提取、跟踪和EKF更新。务必保证在处理图像更新时，IMU预测线程不会被长时间阻塞，否则会丢失IMU数据，破坏运动积分。通常使用锁或无锁队列进行线程间数据（如图像、IMU数据包）的交换。

4.2 参数调试：从“能用”到“好用”

ROVIO有一系列配置文件（.yaml或.info）控制其行为。调参是工程应用中最耗时但也最关键的一环。参数可以分为几类：

1. 特征跟踪相关：

maxFeatureNum: 最大跟踪特征数。嵌入式平台建议15-30。
patchSize: 用于光流跟踪的图像块大小。太大计算慢，太小易跟丢。通常15x15或19x19是个不错的起点。
minDistance: 特征点之间的最小像素距离。避免特征点聚集，建议设为patchSize的1.5倍左右。

2. 滤波器噪声参数（重中之重）：

sigma_imu_gyr_noise,sigma_imu_acc_noise: 对应IMU的噪声密度。如果使用普通消费级IMU（如MPU6050），gyr_n可能在1e-3 rad/s/sqrt(Hz)量级，acc_n在1e-2 m/s²/sqrt(Hz)量级。务必根据你的IMU Allan方差标定结果设置。
sigma_gyr_bias,sigma_acc_bias: 零偏的随机游走噪声。通常比噪声密度小一个数量级。
sigma_init_rho: 新特征点逆深度的初始标准差。假设场景平均深度5米，逆深度0.2，标准差可以设为0.2（即100%不确定性）。这个值设置过小，会让新特征点过于“自信”，可能引入野值；设置过大，则收敛慢。

3. 相机-IMU外参：

q_CI,r_CI: 相机到IMU的旋转（四元数）和平移。必须精确标定！使用Kalibr等工具进行离线标定。微小的角度误差（如1度）在旋转时会导致巨大的像素投影误差。
cam_intrinsics: 相机内参和畸变系数。同样需要精确标定。

调试流程建议：

静态初始化：将设备静止放置几十秒，让滤波器收敛。观察位置和速度估计是否接近零，姿态是否稳定。如果静态下位置漂移很大，首先检查IMU的加速度计零偏b_a是否被正确估计。加速度计零偏的误差会直接通过二次积分变成巨大的位置漂移。可以尝试稍微增大sigma_acc_bias，让滤波器更快地学习零偏。
简单运动测试：让设备做缓慢的平移和旋转。观察估计轨迹是否平滑，有无跳变。如果旋转时估计轨迹发散，可能是陀螺仪噪声参数sigma_imu_gyr_noise设置过小，或者相机-IMU外参旋转部分不准确。
挑战性运动测试：进行快速运动、晃动。此时特征跟踪容易丢失。如果频繁丢失导致滤波器不稳定，可以尝试：a) 提高图像帧率；b) 使用更快的快门减少运动模糊；c) 略微增大光流的搜索窗口。

核心心法：调参的本质是调整滤波器对“预测”（IMU动力学模型）和“观测”（视觉特征）的信任权重。噪声参数调大，表示你认为这个传感器/模型更不可靠，滤波器会降低它的权重。当运动估计过于平滑但滞后明显（“钝”），可能是过于信任预测（视觉观测噪声设得太大，或IMU噪声设得太小）。当估计结果高频抖动（“抖”），可能是过于信任观测（视觉观测噪声设得太小，或IMU噪声设得太大）。你需要在这两者之间根据实际场景找到平衡点。

5. 典型问题排查与性能优化策略

5.1 滤波器发散：诊断与恢复

滤波器发散是EKF最常见的问题，表现为状态估计误差（协方差）急剧增大或估计值明显违背物理规律（如速度激增）。

诊断步骤：

检查数据源头：确认IMU和相机数据流是否连续，时间戳是否单调递增，有无丢帧。检查IMU量程是否饱和（高速旋转下陀螺仪输出是否达到最大值）。
检查特征跟踪：可视化跟踪的特征点。是否大面积跟丢？新特征点是否被正确添加到合理的图像区域（避免添加到移动物体上）？光流跟踪的质量直接决定观测更新的有效性。
检查创新序列：在EKF中，“创新”（Innovation）是实际观测值与预测观测值之差。理论上，创新序列应该是一个零均值的白噪声。你可以实时监控视觉重投影误差的均值。如果均值持续偏离零，说明观测模型存在系统性误差（如相机内参不准、外参不准、或存在未建模的镜头畸变）。
检查协方差矩阵：监控状态协方差矩阵的对角线元素（方差）。如果某个状态（特别是位置或某个特征点逆深度）的方差爆炸式增长，说明系统已经不可观测或线性化完全失效。

恢复策略：

紧急重置：最简单的办法是检测到发散后，重置滤波器状态。例如，将位置和速度重置为零，姿态重置为初始值（或从其他传感器如磁力计获取），协方差重置为初始值。这是一种“硬重启”。
部分重置：更优雅的方式是只重置出问题的部分。例如，如果判断是特征点深度估计全部失效导致的发散，可以清空所有特征点状态，重新初始化。而保留机器人位姿和速度的估计（假设IMU短时积分还可靠）。
增加鲁棒核函数：在计算视觉残差时，对残差应用一个鲁棒核函数（如Huber核），可以降低外点（错误匹配的特征点）对状态更新的影响。ROVIO原始代码中可能没有显式使用，但自己实现一个并不复杂。

5.2 尺度漂移与可观性分析

单目VIO（包括ROVIO）一个固有的问题是尺度不确定性。虽然IMU提供了绝对的加速度测量，可以恢复尺度，但在某些运动下，尺度可能仍然会缓慢漂移，尤其是在长时间缺乏激励（如匀速直线运动）的情况下。

根本原因：从滤波器的角度看，当加速度计零偏b_a和重力加速度方向g以及尺度s之间存在某种耦合时，它们可能不是完全可观测的。例如，在匀速运动阶段，加速度计只测量重力，此时对b_a和俯仰/横滚角的估计会相互影响。

工程缓解措施：

运动激励：让设备在初始化及运行过程中，包含足够的旋转和加速度变化，有助于改善可观性。简单的静止初始化往往不是最佳选择。
零偏建模与约束：不要将IMU零偏建模为纯随机游走。可以加入一些先验约束，例如假设零偏变化非常缓慢（设置很小的sigma_gyr_bias,sigma_acc_bias）。或者在静止时段，强制将加速度计读数减去当前b_a后与重力向量对齐，对姿态和b_a进行微调。
融合其他绝对尺度信息：如果场景中有已知尺寸的物体（如一张A4纸，一个门框），可以利用这些信息对尺度进行偶尔的校正。或者，如果系统有轮式里程计或GPS（即使频率很低），可以将其作为另一个观测源，以绝对尺度信息更新滤波器，有效抑制尺度漂移。

5.3 在复杂场景下的性能边界与优化

ROVIO在纹理丰富、静态场景、光照稳定的环境下表现最佳。但现实世界是复杂的。

应对动态物体：移动的行人、车辆会导致特征点跟踪在外点，污染状态估计。策略：

动态检测：使用简单的光流一致性检查。一个静态场景中的特征点，其光流向量场应该是连续的、符合一个基础矩阵模型的。不符合该模型的点可能是动态点，在更新时给予其极低的权重或直接剔除。
语义分割：如果算力允许，运行一个轻量级的语义分割网络（如MobileNet+DeepLab），将“人”、“车”等动态物体类别上的特征点直接屏蔽掉。

应对弱纹理环境：如白墙、走廊。特征点稀少且质量差。

补充其他特征：除了点特征，可以考虑引入线特征（在结构化环境中更稳定）。但这需要扩展状态向量和观测模型，工程量大。
多传感器融合：这是最有效的方案。引入一个2D激光雷达，即使只有单线，也能提供在走廊等环境下的强约束。可以将激光扫描匹配得到的位移和旋转，作为一个额外的观测源，与ROVIO的EKF进行松耦合或紧耦合。

应对剧烈光照变化：从室内到室外，或经过阴影区域。

图像预处理增强：使用自适应直方图均衡化（CLAHE）比简单的直方图均衡化效果更好。
特征描述子增强：在光流跟踪的同时，为特征点计算一个简单的描述子（如BRIEF）。当光流因光照变化失败时，可以尝试用描述子进行小范围匹配来恢复跟踪，而不是直接丢弃该特征点。

性能优化终极策略：当在嵌入式平台遇到性能瓶颈，且调整参数无法满足实时性要求时，需要考虑算法层面的简化：

降低更新频率：不一定每帧图像都进行EKF更新。可以每2帧或每3帧更新一次，中间帧只进行特征跟踪和IMU预测。
简化状态向量：对于某些应用，如果尺度绝对重要且不变，可以将尺度因子固定。或者，如果设备在平面上运动（如扫地机器人），可以简化为2D位姿估计。
考虑更轻量的滤波器：如果资源极其紧张，可以考虑信息滤波（EIF）或无迹卡尔曼滤波（UKF）的某些简化变种，但需要权衡实现复杂度和精度损失。

6. 与基于优化方法的对比思考及选型建议

在项目实践中，我们常常面临选择：用ROVIO这类滤波方法，还是用VINS、ORB-SLAM这类优化方法？

计算与资源消耗：

滤波（ROVIO）：计算复杂度与状态向量维度成线性关系（O(n)），更准确地说，与特征点数量N成线性。内存消耗固定。在Jetson Nano或树莓派4B上，做到20-30Hz稳定运行相对容易。
优化（滑动窗口）：计算复杂度与窗口内关键帧数量、地图点数量成更高次方关系（Bundle Adjustment的求解）。内存消耗随窗口大小增长。在同等硬件上，要达到高频率（如30Hz以上）需要更多的优化和裁剪。

精度与全局一致性：

滤波：本质上是局部最优的。它只维护当前时刻的状态估计，对过去的线性化点不会回头优化。因此，线性化误差会累积，在长路径或大旋转后，误差可能比优化方法大。它没有显式的闭环检测和全局优化。
优化：在滑动窗口内进行多次迭代优化，能更好地逼近非线性问题的最优解。通过闭环检测和位姿图优化，可以修正累积误差，实现全局一致性。

鲁棒性与初始化：

滤波：EKF对初始值比较敏感，但一旦初始化成功，对连续跟踪的鲁棒性可能更好，因为每一帧都基于前一帧的最优估计进行递推。对于纯旋转等退化运动，只要特征点还能跟踪，滤波器通常不会立刻崩溃。
优化：通常需要更精细的初始化过程（如SFM）。在特征跟踪短暂丢失时，可能通过重定位找回，但如果在纹理差、动态物体多的场景连续几帧跟踪失败，整个系统容易丢失。优化方法对异常值更敏感，需要更鲁棒的成本函数（如Cauchy损失）。

工程集成复杂度：

滤波：结构相对简单，数据流清晰（预测->更新），易于调试和集成到更大的系统中。状态输出频率高且延迟低。
优化：系统更复杂，涉及关键帧管理、地图点管理、闭环检测线程、全局优化线程等，模块间耦合度高，调试难度相对较大。

选型建议：

选择ROVIO/EKF方案，如果：你的硬件资源严格受限（MCU或低端嵌入式CPU）；你对状态输出的高频（>=100Hz）和低延迟有硬性要求（如高速无人机控制）；你的应用场景主要是短时间、局部区域的导航和避障，不需要全局地图和闭环；你希望系统简单、可靠、易于调试和集成。
选择优化/滑动窗口方案，如果：你的硬件有足够的算力（如Intel NUC， Jetson AGX Orin）；你的任务需要长时间的运行和高精度的全局地图（如移动建图、自动驾驶定位）；你的场景包含回环（如仓库巡检、室内清扫）；你愿意投入更多时间进行复杂的系统调试和参数整定。

在我个人的多个项目中，对于室内移动机器人（如AMR）、小型竞速无人机，ROVIO因其轻量、高频、低延迟的特性，往往是首选的VIO方案。而对于需要建图、长时间漫游的移动平台，则会选择基于优化的方案。很多时候，没有最好的方案，只有最适合当前项目约束的方案。理解ROVIO的里里外外，不仅能让你用好它，更能让你深刻理解VIO问题的本质，从而在面对其他方案时，也能快速抓住其核心与优劣。