[論文レビュー] Leveraging Planar Regularities for Point Line Visual-Inertial Odometry

Xin Li, Yijia He+2 more|arXiv (Cornell University)|Apr 16, 2020

Robotics and Sensor-Based Localization参考文献 26被引用数 4

ひとこと要約

本稿では、点特徴、線特徴、平面的規則性を統合することで3次元ポーズ推定および高密度メッシュ再構築を向上させる、密結合型単眼視覚慣性オドメトリ（PLP-VIO）を提案する。共面性制約と非反復的平面検出法を活用することで、特に点特徴が乏しく線が多い環境において、最先端の手法に比べてより高い局所化精度とより頑健で構造に配慮した高密度マッピングを達成する。

ABSTRACT

With monocular Visual-Inertial Odometry (VIO) system, 3D point cloud and camera motion can be estimated simultaneously. Because pure sparse 3D points provide a structureless representation of the environment, generating 3D mesh from sparse points can further model the environment topology and produce dense mapping. To improve the accuracy of 3D mesh generation and localization, we propose a tightly-coupled monocular VIO system, PLP-VIO, which exploits point features and line features as well as plane regularities. The co-planarity constraints are used to leverage additional structure information for the more accurate estimation of 3D points and spatial lines in state estimator. To detect plane and 3D mesh robustly, we combine both the line features with point features in the detection method. The effectiveness of the proposed method is verified on both synthetic data and public datasets and is compared with other state-of-the-art algorithms.

研究の動機と目的

• 構造的情報を欠いたスパースな点特徴ベースの単眼VIOシステムの限界を解消し、不正確または不完全な高密度マップを生成する問題を改善すること。
• 点特徴が乏しく信頼性が低いテクスチャ欠損環境における局所化精度を向上させること。
• 異種の視覚的特徴を用いて、ポーズ、3次元ランドマーク、平面的構造を同時に最適化する密結合型VIOシステムを開発すること。
• 平面的規則性を活用して、スパースな3次元点と空間上の線から効率的なリアルタイム高密度メッシュ生成を可能とすること。
• 点、線、平面特徴を統合することで、局所化およびマッピング性能がどのように向上するかを検証すること。

提案手法

• 本システムは、PL-VIOを拡張し、3次元点および3次元線特徴を入力として用いて平面検出と3次元メッシュ生成を実行する。
• 3次元線と点から導出される共面性制約を活用することで、頑健性と速度を向上させる非反復的平面検出法を提案する。
• 2次元点および線特徴に対してDelaunay三角形分割を適用し、初期の2次元メッシュを生成した後、3次元ランドマークを用いて3次元メッシュに投影する。
• スライディングウィンドウ最適化中に共面性制約を強制することで、3次元点および線の推定精度を向上させる。
• 最適化とマージナライゼーションの高速化のため、シュール補完テクニックを用いることで、状態ベクトルの増大にもかかわらずリアルタイム性能を維持する。
• 平面およびメッシュ生成は、2次元特徴の3次元三角形分割の後、バックエンドで実行され、平面検出は3次元点および線の幾何的整合性に基づく。

実験結果

リサーチクエスチョン

• RQ1 線特徴と平面的規則性の統合が、特にテクスチャが乏しい環境において、単眼VIOの局所化精度を顕著に向上させることができるか？
• RQ2 点特徴のみと比較して、点、線、平面特徴を統合することで、高密度3次元メッシュ再構築の品質と完全性はどのように向上するか？
• RQ3 非反復的平面検出法は、RANSACベースの手法に比べて同等またはより高い精度を達成しつつ、著しく高速化できるか？
• RQ4 共面性制約は、密結合型VIOフレームワークにおいて3次元ランドマーク推定の精度をどの程度向上させるか？
• RQ5 点特徴が乏しい状況において、構造的線特徴を用いることで、平面検出およびメッシュ生成の頑健性と正確性が向上するか？

主な発見

• EuRoC MH_05データセットにおいて、PLP-VIOはRPE評価で最小の並進誤差を達成し、特に点特徴が乏しい57–67秒の範囲で他手法を顕著に上回った。
• 平均マッピング誤差は、点特徴のみの手法（P）の3.6 cmからPLP-VIOでは2.8 cmに低減され、再構築精度の向上が確認された。
• 提案された非反復的平面検出法は平均0.44 msの実行時間を達成し、RANSACベースの代替手法に比べて著しく高速でありながら、高い精度を維持した。
• PLP-VIOによるメッシュ生成は平均1.42 msで実行され、全最適化時間は1フレームあたり36 ms未満に保たれ、リアルタイム性能を達成した。
• 点特徴が少なく構造的線が多いシーン（例：図8）では、PLP-VIOは高い精度を維持したが、PおよびPP手法は性能が低下した。これにより、線および平面特徴の価値が裏付けられた。
• アブレーションスタディにより、点、線、平面（PLP）の組み合わせが個々の要素（P、PL、PP）を上回り、一貫してより頑健で正確な結果を示した。