[論文レビュー] HybVIO: Pushing the Limits of Real-time Visual-inertial Odometry

Otto Seiskari, Pekka Rantalankila+4 more|arXiv (Cornell University)|Jun 22, 2021

Robotics and Sensor-Based Localization参考文献 39被引用数 5

ひとこと要約

HybVIOは、頑健でリアルタイムなフィルタリングベースのVIOと、緩く結合された最適化ベースのSLAMモジュールを組み合わせたハイブリッドなビジュアルインertリアルオドメトリーシステムを提案する。これは、リアルタイムステレオVIOにおいて最先端の性能を達成し、EuRoC MAVベンチマークで先行する手法BASALTを上回り、高精度と不確実性の定量化を備えたコンsumerクラスのハードウェアでも車両追跡の実現可能性を示している。

ABSTRACT

We present HybVIO, a novel hybrid approach for combining filtering-based visual-inertial odometry (VIO) with optimization-based SLAM. The core of our method is highly robust, independent VIO with improved IMU bias modeling, outlier rejection, stationarity detection, and feature track selection, which is adjustable to run on embedded hardware. Long-term consistency is achieved with a loosely-coupled SLAM module. In academic benchmarks, our solution yields excellent performance in all categories, especially in the real-time use case, where we outperform the current state-of-the-art. We also demonstrate the feasibility of VIO for vehicular tracking on consumer-grade hardware using a custom dataset, and show good performance in comparison to current commercial VISLAM alternatives. An open-source implementation of the HybVIO method is available at https://github.com/SpectacularAI/HybVIO

研究の動機と目的

• より高い耐障害性と精度を備えたリアルタイムで埋め込み機器に適したビジュアルインエラリアルオドメトリーシステムの開発。
• VIOにおける長期的ドリフトを解消するため、緩く結合された最適化ベースのSLAMモジュールを統合すること。
• 車両用途を含め、コンsumerクラスのハードウェアでも高精度なトラッキングを可能にすること。
• 最小限の計算コストでリアルタイムでの不確実性の定量化を実現すること。
• リアルタイムステレオVIOベンチマークにおいて、既存の最先端手法を上回ること。

提案手法

• PIVOフレームワークをステレオカメラに拡張し、モノクローラからステレオへの一般化を可能にした。
• EKFフレームワーク内でのIMUバイアスモデリングを改善するため、オルンシュタイン＝ウーレンバック過程を実装した。
• ベイズ的状態推定を用いて、外れ値検出、定常性検出、特徴点トラック選択のための確率的メカニズムを導入した。
• フィルタリングベースのVIOと最適化ベースのSLAMを並列に実行する緩く結合されたアーキテクチャを採用し、長期的な一貫性を確保した。
• SLAMモジュールでスパースベイズアンイングレースグラフを活用し、効率的な状態推定と地図の最適化を実現した。
• 簡素化された初期化とユニットクォータニオンのガウスモデルを採用し、計算複雑性を低減した。

実験結果

リサーチクエスチョン

• RQ1 フィルタリングベースのVIOシステムは、ステレオカメラに拡張可能であり、埋め込みハードウェアでもリアルタイム性能を達成できるか？
• RQ2 改善されたIMUバイアスモデリングは、長期的なVIOの精度と耐障害性にどのように影響するか？
• RQ3 緩く結合されたハイブリッドVIO-SLAMアーキテクチャは、リアルタイム環境下で完全最適化されたSLAMシステムを上回ることができるか？
• RQ4 車両移動のような厳しい現実世界の環境下でも、VIOオンリーパラダイムの性能はどの程度か？
• RQ5 本手法は、商業的VISLAMソリューションと比較して、精度と安定性の面で優れているか？

主な発見

• HybVIOは、EuRoC MAVデータセットにおいて、リアルタイム性能で最高水準を達成し、以前のSOTA手法BASALTを上回った。
• TUM VI Roomベンチマークでは、後続処理済みSLAM精度において、ORB-SLAM3に次いで2位にランクされた。
• SenseTime VISLAMベンチマークでは、平均RMSEが30.3 mmを達成し、特許権を持つSenseSLAM v1.0（31.2 mm）を上回った。
• 独自の車両用データセットにおいて、HybVIOは最大時速40 km/hの安定したトラッキングを示し、Intel RealSense T265を上回り、AppleのARKitと同等の精度を達成した。
• GPU、VPU、ISPを搭載しないRaspberry Piでもリアルタイム性能を達成し、低消費電力埋め込みデプロイメントの実現可能性を裏付けた。
• 不確実性の定量化はネイティブにサポートされており、計算コストは無視できるほど低く、動的環境下での信頼性の高い状態推定を可能にした。