的关系可表达为
[0047] ?町"=A? gyr〇_meas 1
[004引 ?cam=R cbA?gyro-meas=B?肌。-meas 2
[0049] 该是我们求解通用复合矩阵的线性最小二乘估计问题
[0化0] B = Rcb ? A 3
[0051] 其最小化W下目标函数
[0052]房二泣巧minS||巧'抑,W-公.％',。的 |「 4 t
[005引其中为在时间t处的姿态角向量的序列，为巧螺仪测量的对应 序列，且argmin表示最小自变量，其为其中给定目标函数达到其最小值的给定自变量的点 的集合。可使用等式4确定B，所述等式4为其解为线性系统的二次优化问题。
[0化4] 一旦已由LSE模块332计算出B，便可将复合矩阵B输入到示范性QR因式分解模 块334。在一些实施例中，等式3接着可由QR因式分解模块334通过使用QR分解来分解B W获得正交旋转矩阵（RJ及尺度及非正交性矩阵（A)来进行求解。如早先所注明，在一些 实施例中，正交旋转矩阵（RJ及/或尺度及非正交性矩阵（A)可输入到AR应用。在一些 实施例中，正交旋转矩阵（RJ及尺度及非正交性矩阵（A)可用W调节巧螺仪测量的原始序 列（W g口。-me J。
[0化5] 在一些实施例中，参数估计模块330可能不使用平移信息来计算正交旋转矩阵 (RJ及尺度及非正交性矩阵（A)，W使得如果输入平移信息，那么可由参数估计模块330忽 略相机及巧螺仪中屯、之间的位移或偏移的估计。在其中参数估计模块330不使用平移信息 来计算正交旋转矩阵（RJ及尺度及非正交性矩阵（A)的其他实施例中，CV模块310可能 不计算平移矩阵（T)。
[0化6] 图4展示复合矩阵炬)410、正交旋转矩阵（RJ420及尺度及非正交性矩阵（A)430 之间的关系，如等式3中所示。在一些实施例中，可将尺度及非正交性矩阵（A)430建模为 上=角矩阵。上=角尺度及非正交性矩阵（A)的对角元素为用于=个轴的尺度参数，且非 对角元素为非正交性参数。在获得复合矩阵B410之后，可通过使用QR分解技术分解复合 矩阵B410 (例如通过QR因式分解模块334)对正交旋转矩阵（RJ420及尺度及非正交性 矩阵（A) 430求解等式3。
[0057] 图5展示在移动装置中用于产生用于例如移动装置10的移动装置的应用的参数 的方法。举例来说，所述应用可为扩增实境应用。在一些实施例中，图5中所说明的方法可 实施于移动装置上。在450处，例如处理器300的处理器或其它计算元件可从例如相机100 的相机接收图像的序列。在460处，处理器可将计算机视觉算法应用于图像的序列W产生 姿态角信息。在一些实施例中，由CV模块310执行及/或实施460。在470处，处理器可从 巧螺仪测量的序列（例如从巧螺仪200)估计巧螺仪信息。巧螺仪信息及姿态角信息可同 步。在一些实施例中，由巧螺仪缓冲器模块340及/或AV模块320执行及/或实施470。 [0化引在480处，处理器可处理姿态角信息及巧螺仪信息W导出适用于所述应用的W下 各者中的至少两者；（1)旋转信息、（2)尺度信息及（3)非正交性信息。在一些实施例中，由 参数估计模块330、最小二乘估计模块332、QR因式分解模块334及/或卡尔曼滤波器326 执行及/或实施480。在一些实例中，处理姿态角信息及巧螺仪信息包括从姿态角信息及巧 螺仪信息计算复合矩阵，及将复合矩阵分解成旋转矩阵及尺度及非正交性矩阵，其中尺度 信息及非正交性信息包括尺度及非正交性矩阵。在一些实例中，计算复合矩阵包括将最小 二乘估计应用于姿态角信息及巧螺仪信息。在一些实例中，分解复合矩阵包括将QR因式分 解应用于复合矩阵。在一些实例中，处理姿态角信息及巧螺仪信息可进一步包括导出所估 计的巧螺仪偏移误差。在一些实例中，处理姿态角信息及巧螺仪信息包括从图像的序列确 定平移矩阵，及将姿态角信息、平移矩阵及巧螺仪信息应用于卡尔曼滤波器W计算旋转信 息、尺度信息及非正交性信息。姿态角信息可为姿态角向量的序列。在一些实施例中，可省 略、调换及/或重新布置图5中说明的功能中的一或多者。举例来说，在一些实施例中，省 略470。在此类实施例中，可在480处处理姿态角信息及巧螺仪测量。在一些实施例中，可 在另一装置、组件及/或元件处估计巧螺仪信息。可在一些实施例中实施图5中说明的方 法的其它更改。
[0059] 图6展示说明W与所揭示实施例一致的方式使用QR因式分解从图像的序列及巧 螺仪测量的序列导出旋转矩阵巧J及尺度及非正交性矩阵（A)的示范性方法500的流程 图。在一些实施例中，方法500可实施于移动装置上。
[0060] 在一些实施例中，在步骤505中，可俘获图像的序列。举例来说，相机100可俘获 图像的序列。接下来在步骤510中，可应用基于计算机视觉的算法来处理图像的序列及例 如由CV模块310获得姿态角向量的序列或姿态角信息。
[0061] 与图像序列的俘获同时（在步骤505中），可在步骤520中俘获原始巧螺仪测量 的序列举例来说，巧螺仪200可在相机100正俘获图像的序列的周期期间俘 获原始巧螺仪测量的序列。在步骤530中，可例如由巧螺仪缓冲器模块340从 原始巧螺仪测量的序列获得巧螺仪测量向量的经缓冲序列或巧 螺仪信息。在一些实施例中，原始巧螺仪测量的序列可在被存储于缓冲器中之 前进行处理。接下来，在步骤535中，可例如由AV模块320使用巧螺仪测量的经缓冲序列 来确定巧螺仪向量的序列（WgyJ，W使得巧螺仪向量的序列（WgyJ及姿态角 向量的序列及时同步。
[0062] 在步骤540中，可例如由参数估计模块330从姿态角向量的序列（姿态角信息） 及巧螺仪向量的序列（巧螺仪信息计算复合矩阵炬）。在一些实施例中， 可使用等式4计算复合矩阵炬）。
[0063] 接下来，在步骤550中，可使用QR因式分解分解复合矩阵炬）W获得旋转矩阵 (RJ及尺度及非正交性矩阵（A)，其中旋转矩阵（RJ及尺度及非正交性矩阵（A)为输出参 数。举例来说，等式3可通过例如由QR因式分解模块334使用QR分解分解BW获得正交 旋转矩阵（RJ及尺度及非正交性矩阵（A)来求解。
[0064] 在步骤560中，在一些实施例中，正交旋转矩阵（RJ及/或尺度及非正交性矩阵 (A)可任选地输入到如图2及3中所示的AR应用。
[00化]在步骤570中，正交旋转矩阵（RJ及尺度及非正交性矩阵（A)可任选地用W调节 巧螺仪测量的原始序列，如图2中所示（点线）。举例来说，正交旋转矩阵（RJ 及尺度及非正交性矩阵（A)及任选地偏移误差可任选地被用作到函数的输入，所述函 数调节例如在巧螺仪缓冲器模块340处的巧螺仪测量的经缓冲序列（《'
[0066] 图7展示与所揭示实施例一致的额外示范性参数估计模块的框图。如图7中所示， 参数估计模块330可接收姿态角向量的序列或姿态角信息、平移矩阵（T)及巧螺仪 向量的序列（WgyJ或巧螺仪信息作为输入。在一些实施例中，参数估计模块330可包括卡 尔曼滤波器326,所述卡尔曼滤波器可接收姿态角向量的输入序列或姿态角信息、 平移矩阵（T)及巧螺仪向量的序列（OgyJ或巧螺仪信息。卡尔曼滤波器326接着可计算 正交旋转矩阵（RJ及尺度及非正交性矩阵（A)及任选地偏移误差卡尔曼滤波器为 所属领域的技术人员所熟知的。在一些实施例中，卡尔曼滤波器326可呈下文进一步描述 的递归扩展卡尔曼滤波器巧KF)的形式。
[0067] 图8展示描述移动装置中的各种参数之间的关系的等式集合。在一些实施例 中，由等式描述的关系可由示范性EKF使用W从由移动装置10进行的测量导出旋转矩阵 (RJ及尺度及非正交性矩阵（A)及任选地偏移误差（《mJ。可在如下文档中找到移动 装置的各种传感器参数之间的关系的数学描述及模型；"视觉惯性集成；混合VINS(Vision InertialIntegration:HybridVIN巧"，2011 年 1 月，StefanoSoatto(下文中为 "Soatto")及"视觉惯性导航、定位及映射：可缩放实时大规模方法（Visua^Inertial Navigation,LocalizationandMapping:AScalableReal-timeLargeScale Approach)"，国际机器人研究杂志，EagleJones及StefanoSoatto(下文中为"Jones")， 所述文档的全文特此W引用的方式并入。下文在一般意义上概述及简要地解释了用W描述 关系的参数及与参数相关的等式。
[0068] 下标"cb"用W表示校准参数。假设已在校准阶段处估计该些参数中的一些，且可 假设所述参数在EKF的操作期间为恒定的。下标"sb"用W表示关于巧螺仪相对于空间坐 标系的定向的参数。
[0069] 模型动态的离散时间版本（使在时间"t"处的参数的值与其在时间"t+化"处的 值相关）可用W确定本体定向的动态，如下文所进一步解释。相机到巧螺仪旋转对准由 "表示，且两个传感器之间的偏移由"Ttb"表示。因此，使用化nes中的模型，可将0。6 及吃6的等式写成：
[0070] Qcb(Wt) = Qcb(t) 5
[0071]
【主权项】
1. 一种在移动装置中用于产生用于移动装置的应用的参数的方法，所述方法包括： 从相机接收图像的序列； 将计算机视觉算法应用于图像的所述序列以产生姿态角信息； 从陀螺仪测量的序列估计陀螺仪信息；及 处理