[論文レビュー] Laser map aided visual inertial localization in changing environment

Xiaqing Ding, Yue Wang+4 more|arXiv (Cornell University)|Mar 3, 2018

Robotics and Sensor-Based Localization参考文献 24被引用数 5

ひとこと要約

本稿では、ハイブリッドバンドル調整を用いて、視覚慣性オドメトリの状態と事前LiDARマップへのポーズアライメントを同時に最適化するレーザーマップ支援型の視覚慣性局所化フレームワークを提案する。この手法により、環境が変化する状況下でも著しく高いロバスト性が得られ、マルチセッションデータを統合して顕著で圧縮されたレーザーマップを抽出することで、剛体のみまたはフルマップ手法と比較して最大49%の誤差低減を達成した。

ABSTRACT

Long-term visual localization in outdoor environment is a challenging problem, especially faced with the cross-seasonal, bi-directional tasks and changing environment. In this paper we propose a novel visual inertial localization framework that localizes against the LiDAR-built map. Based on the geometry information of the laser map, a hybrid bundle adjustment framework is proposed, which estimates the poses of the cameras with respect to the prior laser map as well as optimizes the state variables of the online visual inertial odometry system simultaneously. For more accurate cross-modal data association, the laser map is optimized using multi-session laser and visual data to extract the salient and stable subset for localization. To validate the efficiency of the proposed method, we collect data in south part of our campus in different seasons, along the same and opposite-direction route. In all sessions of localization data, our proposed method gives satisfactory results, and shows the superiority of the hybrid bundle adjustment and map optimization.

研究の動機と目的

• 季節的・動的変化が生じる屋外環境における長期的視覚局所化の課題に取り組む。
• 外観の変化や準静的物体の影響により、セッション間でのデータアソシエーションが困難になる視覚慣性局所化の課題を克服する。
• 事前に構築されたLiDARマップを活用することで、視覚慣性オドメトリの性能を向上させる、ロバストで低コストな局所化フレームワークを開発する。
• マルチセッションのレーザーおよび視覚データから、コンパクトで顕著なサブセットを抽出することで、計算コストおよびストレージコストを低減する。
• 積雪、駐車車両、照明条件の変化などの実環境要因下でも、局所化の精度と安定性を向上させる。

提案手法

• ハイブリッドバンドル調整フレームワークを用いて、事前に構築されたLiDARマップとオンラインの視覚慣性オドメトリ（VIO）を統合し、VIO状態とカメラのLiDARマップに対するポーズを同時に最適化する。
• バンドル調整フレームワーク内に、視覚マップとカメラ-LiDARアライメントの両方の不確実性をモデル化することで、推定のロバスト性を向上させる。
• マルチセッションデータマイニングを適用し、レーザーおよび視覚データから顕著で安定した特徴を同定・抽出することで、動的フィルタリングを施した圧縮されたマップを構築する。
• 周波数ベースのハイブリッドバンドル調整戦略を採用し、マップアライメント用の非剛体最適化とVIO状態の最適化用の剛体最適化を交互に実行する。
• 複数セッションのデータを用いて、オフラインでマップ最適化を実施し、一時的物体を除去することで長期的な一貫性を高める。
• 幾何的特徴をLiDARマップから抽出し、視覚特徴マッチングをガイドするクロスモーダルデータアソシエーション戦略を実装する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドバンドル調整フレームワークは、事前LiDARマップに対するカメラポーズと視覚慣性オドメトリ状態を同時に最適化することで、環境が変化する状況下での局所化精度を向上させることができるか？
• RQ2 マルチセッションデータを用いたサリエンシーに基づくマップ最適化は、クロスシーズンのシナリオにおいて、データアソシエーションの質を向上させ、局所化誤差を低減するか？
• RQ3 非剛体と剛体のバンドル調整の最適な周波数比は何か？長期局所化において、精度と計算効率のバランスを取るには？
• RQ4 動的変化および季節的変化の下で、本手法はフルマップ法および剛体のみの手法と比較して、ロバスト性および誤差性能に優れているか？
• RQ5 抽出された顕著なレーザーマップは、ストレージおよび計算負荷を低減しつつ、高い局所化精度を維持できるか？

主な発見

• 非剛体：剛体の周波数比が1:5（1回の非剛体調整に対して5回の剛体調整）のハイブリッドバンドル調整が、5つのセッション全体で平均絶対軌道誤差（ATE）0.415 mを達成し、純粋な剛体法（0.815 m）および非剛体法（0.693 m）を上回る性能を示した。
• 2017年8月23日セッションでは、フルマップ剛体法が全トラジェクトリで実行不能であったが、フィルタードマップを用いたハイブリッド手法はATE 0.315 mを達成し、優れたロバスト性を示した。
• 特に動的物体や季節的変化が性能を低下させる困難なセッションでは、フィルタードマップがフルマップ手法と比較して最大49%の誤差低減を達成した。
• サリエンシー・マップ抽出手法により、駐車車両や積雪といった一時的要素が効果的にフィルタリングされ、より安定的で正確な基準マップが得られた。
• クロスシーズンおよび双方向トラジェクトリにおいて、本手法は一貫した低誤差（平均ATE 0.415 m）を達成し、環境変化に対するロバスト性を実証した。
• 積雪地帯や重度の遮蔽状況下でも、データセットの視覚的例から示されるように、安定した性能を維持した。