[論文レビュー] Continuous Preintegration Theory for Graph-based Visual-Inertial Navigation.

Kevin Eckenhoff, Patrick Geneva+1 more|arXiv (Cornell University)|May 7, 2018

Robotics and Sensor-Based Localization参考文献 33被引用数 6

ひとこと要約

本論文は、グラフベースのビジュアルインertリアルナビゲーションのための連続的プリ統合理論を導入し、2つの新しいインertシャルモデル（区分的定常測定値および区分的定常局所真の加速度）の下で、プリ統合方程式を閉形式解を用いて解析的に解く。この手法により、状態推定の精度が向上し、タイトに結合されたおよびルーズに結合されたVINSシステムの両方が実現可能となり、実世界の実験において競争力のある性能を達成する。

ABSTRACT

In this paper we propose a new continuous preintegration theory for graph-based sensor fusion with an inertial measurement unit (IMU) and a camera (or other aiding sensors). Rather than using discrete sampling of the measurement dynamics as in current methods, we analytically derive the closed-form solutions to the preintegration equations, yielding improved accuracy in state estimation. We advocate two new different inertial models for preintegration: (i) the model that assumes piecewise constant measurements, and (ii) the model that assumes piecewise constant local true acceleration. We show through extensive Monte-Carlo simulations the effect that the choice of preintegration model has on estimation performance. To validate the proposed preintegration theory, we develop both direct and indirect visual-inertial navigation systems (VINS) that leverage our preintegration. In the first, within a tightly-coupled, sliding-window optimization framework, we jointly estimate the features in the window and the IMU states while performing marginalization to bound the computational cost. In the second, we loosely couple the IMU preintegration with a direct image alignment that estimates relative camera motion by minimizing the photometric errors (i.e., raw image intensity difference), allowing for efficient and informative loop closures. Both systems are extensively tested in real-world experiments and are shown to offer competitive performance to state-of-the-art methods.

研究の動機と目的

• 既存のプリ統合手法における離散的サンプリングの限界を解決する。
• プリ統合方程式の連続的・閉形式解を導出することで、グラフベースのセンサ連携における推定精度を向上させる。
• プリ統合のための2つの新しいインertシャルモデル（区分的定常測定値および区分的定常局所真の加速度）の開発と評価。
• 実世界のシナリオにおいて、タイトに結合されたおよびルーズに結合されたビジュアルインエラルナビゲーションシステムを通じて、提案理論の妥当性を検証する。
• 広範なシミュレーションおよび実世界の実験を用いて、最先端の手法と比較して、競争力のある性能を示す。

提案手法

• IMUのダイナミクスを離散的ではなく連続的にモデル化することで、プリ統合方程式の閉形式解析的解を導出する。
• 2つのインエラルプリ統合モデルを提案：1つは区分的定常IMU測定値を仮定し、もう1つは区分的定常局所真の加速度を仮定する。
• 連続的プリ統合理論を、特徴量とIMU状態を同時に推定し、マージナライゼーションを伴うスライディングウィンドウ最適化フレームワークに統合する。
• プリ統合されたIMUデータと、光度誤差最小化に基づく直接画像整合を組み合わせた、効率的なループクロージャを実現するルーズに結合されたシステムを実装する。
• モンテカルロシミュレーションを用いて、プリ統合モデルの選択が推定性能に与える影響を評価する。
• 連続的プリ統合フレームワークを活用し、直接的および間接的VINSパイプラインの両方の精度とロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 閉形式解を用いた連続的プリ統合は、ビジュアルインエラルナビゲーションにおける離散的サンプリングと比較して、推定精度をどのように向上させるか？
• RQ2 区分的定常測定値モデルと区分的定常局所真の加速度モデルの間で、プリ統合における性能にどのような差が生じるか？
• RQ3 連続的プリ統合は、実世界のシナリオにおいて、タイトに結合されたおよびルーズに結合されたビジュアルインエラルナビゲーションシステムの両方を向上させ得るか？
• RQ4 提案されたプリ統合理論は、直接的VINSにおける効率的かつ情報豊富なループクロージャをどのように支援するか？
• RQ5 グラフベースのセンサ連携における総合的状態推定精度に、インエラルモデルの選択がどの程度影響を与えるか？

主な発見

• 閉形式解を用いた連続的プリ統合理論は、従来の離散的サンプリング手法と比較して、より高い状態推定精度を達成する。
• モンテカルロシミュレーションにおいて、区分的定常局所真の加速度モデルが優れた性能を示し、実世界のIMUダイナミクスをモデル化する有効性を裏付けている。
• 提案理論に基づくタイトに結合されたおよびルーズに結合されたVINSシステムは、最先端の手法と比較して競争力のある性能を達成する。
• ルーズに結合されたシステムは、光度誤差最小化に基づく直接画像整合により、効率的かつ情報豊富なループクロージャを実現する。
• 広範な実世界実験により、提案されたプリ統合フレームワークのロバスト性と実用的妥当性が、多様な環境において確認された。
• プリ統合方程式の解析的導出により、数値近似の必要がなくなり、状態推定の整合性と精度が向上した。