[論文レビュー] DynaVINS: A Visual-Inertial SLAM for Dynamic Environments

Seungwon Song, Hyungtae Lim+2 more|arXiv (Cornell University)|Aug 24, 2022

Robotics and Sensor-Based Localization被引用数 9

ひとこと要約

DynaVINSは、現実世界の環境における動的および一時的静的物体に起因する誤差を軽減する、頑健なビジュアルインertリアルSLAMフレームワークを提案する。IMUプリ統合によるポーズ事前分布を統合し、動的特徴を除外するロバストなバンドル調整を採用するとともに、キーフレームグループ化とマルチハイポセシス制約選択を用いることで、最先端の手法と比較して動的シーンにおいて優れた精度と安定性を達成する。

ABSTRACT

Visual inertial odometry and SLAM algorithms are widely used in various fields, such as service robots, drones, and autonomous vehicles. Most of the SLAM algorithms are based on assumption that landmarks are static. However, in the real-world, various dynamic objects exist, and they degrade the pose estimation accuracy. In addition, temporarily static objects, which are static during observation but move when they are out of sight, trigger false positive loop closings. To overcome these problems, we propose a novel visual-inertial SLAM framework, called DynaVINS, which is robust against both dynamic objects and temporarily static objects. In our framework, we first present a robust bundle adjustment that could reject the features from dynamic objects by leveraging pose priors estimated by the IMU preintegration. Then, a keyframe grouping and a multi-hypothesis-based constraints grouping methods are proposed to reduce the effect of temporarily static objects in the loop closing. Subsequently, we evaluated our method in a public dataset that contains numerous dynamic objects. Finally, the experimental results corroborate that our DynaVINS has promising performance compared with other state-of-the-art methods by successfully rejecting the effect of dynamic and temporarily static objects. Our code is available at https://github.com/url-kaist/dynaVINS.

研究の動機と目的

• 動的物体によるビジュアルインエータリアルSLAMシステムにおけるポーズ推定の劣化を是正すること。
• 視界外に移動する一時的静的物体が引き起こす誤検出ループクロージャーを軽減すること。
• 複雑で動的な環境においても精度と一貫性を維持できる頑健なSLAMフレームワークの開発。
• 新しい最適化および制約処理技術を用いて、動的および一時的静的物体に対するビジュアルインエータリアルオドメトリの耐性を向上させること。

提案手法

• IMUプリ統合を活用して、バンドル調整における特徴の除外に役立てる信頼性の高いポーズ事前分布を生成する。
• IMUベースのポーズ事前分布を用いて、動的物体由来の特徴をフィルタリングするロバストなバンドル調整手法を導入する。
• 動きの整合性に基づいてフレームを整理することで、一時的静的物体の影響を軽減するキーフレームグループ化を適用する。
• 複数の仮説に基づく制約グループ化戦略を採用し、有効なループクロージャー候補のみを選択する。
• 視覚的およびインエータリアル測定値を統合し、動的物体のフィルタリングを組み込んだハイブリッド最適化フレームワークを用いる。
• 複数の仮説を評価するループクロージャー機構を実装し、一時的静的物体による誤検出を回避する。

実験結果

リサーチクエスチョン

• RQ1 現実世界の環境における恒久的動的物体に対して、ビジュアルインエータリアルSLAMシステムをどのようにして頑健にすることができるか？
• RQ2 ポーズ推定中に動的物体由来の特徴を効果的に検出し、除外するメカニズムは何か？
• RQ3 視界外に移動する一時的静的物体が誤ったループクロージャーを引き起こすのを防ぐにはどうすればよいか？
• RQ4 マルチハイポセシス制約グループ化は、動的シーンにおけるループクロージャーの信頼性を向上させることができるか？
• RQ5 IMUプリ統合によるポーズ事前分布の統合は、動的SLAMにおける頑健性をどの程度向上させるか？

主な発見

• DynaVINSは、多数の動的物体を含む環境において、最先端の手法と比較してポーズ推定誤差を顕著に低減した。
• IMU事前分布に基づくバンドル調整により、動的物体由来の特徴を効果的に除外し、軌道の整合性が向上した。
• キーフレームグループ化とマルチハイポセシス制約選択により、一時的静的物体に起因する誤検出ループクロージャーが効果的に抑制された。
• 高動的コンテンツを含む公開ベンチマークにおいて、DynaVINSは競合手法と比較して、より低い並進誤差と回転誤差を達成した。
• 都市部および屋内動的環境を含む実世界のシナリオにおいて、提案フレームワークは頑健な性能を示した。