[論文レビュー] LIC-Fusion: LiDAR-Inertial-Camera Odometry

Xingxing Zuo, Patrick Geneva+3 more|arXiv (Cornell University)|Sep 9, 2019

Robotics and Sensor-Based Localization参考文献 17被引用数 10

ひとこと要約

本稿では、MSCKFフレームワーク内にIMUデータ、スパarsな視覚特徴、LiDARのエッジ／平面特徴を統合する、密結合でシングルスレッドなLiDAR-インertial-カメラオドメトリーシステム、LIC-Fusionを提案する。オンライン空間的・時間的キャリブレーションと線形化誤差モデリングによる最適なマルチモーダル統合を通じて、MSCKFと比較して平均軌道誤差を62%、LOAMと比較して83%低減し、優れた精度と耐障害性を達成する。

ABSTRACT

This paper presents a tightly-coupled multi-sensor fusion algorithm termed LiDAR-inertial-camera fusion (LIC-Fusion), which efficiently fuses IMU measurements, sparse visual features, and extracted LiDAR points. In particular, the proposed LIC-Fusion performs online spatial and temporal sensor calibration between all three asynchronous sensors, in order to compensate for possible calibration variations. The key contribution is the optimal (up to linearization errors) multi-modal sensor fusion of detected and tracked sparse edge/surf feature points from LiDAR scans within an efficient MSCKF-based framework, alongside sparse visual feature observations and IMU readings. We perform extensive experiments in both indoor and outdoor environments, showing that the proposed LIC-Fusion outperforms the state-of-the-art visual-inertial odometry (VIO) and LiDAR odometry methods in terms of estimation accuracy and robustness to aggressive motions.

研究の動機と目的

• 低照度または動的環境下での視覚-インertシャルオドメトリ（VIO）の限界を補うために、頑健なLiDAR測定値を統合すること。
• 従来のLiDARとIMUの統合において生じるドリフトやキャリブレーション誤差への感受性を克服するため、オンライン空間的・時間的キャリブレーションを可能にすること。
• ループクロージャーやグローバルマッピングに依存せずに、3つのセンサーの長所を活かす計算効率が高く、シングルスレッドで密結合な統合フレームワークを構築すること。
• スパースなLiDAR特徴（エッジと平面）を視覚的・インエールシャルデータと最適に統合することで、急激な運動や困難な照明条件下での推定精度と耐障害性を向上させること。
• オンラインキャリブレーションによりキャリブレーション感度を低減し、センサーのアライメントを簡素化することで、マルチセンサー統合システムの実用的導入を可能にすること。

提案手法

• IMU測定値、モノクロイド画像からのスパースな視覚特徴、およびスパースなLiDARエッジ／平面特徴を効率的に統合するため、マルチステート制約カルマンフィルタ（MSCKF）フレームワークを採用する。
• IMU状態、IMU–カメラおよびIMU–LiDAR間のオンライン推定外挿しキャリブレーションパラメータ、および過去のIMUクローンのスライディングウインドウを含む状態ベクトルを導入する。
• 解析的に導出された誤差伝播を通じて、キャリブレーション外挿しとポーズ推定値がセンサ測定値に依存する関係をモデル化し、最適（線形化まで）な統合を実現する。
• 局所的な平面フィッティングとエッジ検出法を用いて、LiDAR点群上でのスパースエッジおよび平面特徴を検出・追跡し、特徴の安定性と精度を向上させる。
• 3つの非同期センサ間でオンライン空間的・時間的キャリブレーションを実行し、運用中に生じるずれや時 clocks オフセットを補償する。
• すべてのセンサの生データを1つの推定フレームワーク内で統合的に最適化する密結合統合戦略を採用し、センサ間相関を保持する。

実験結果

リサーチクエスチョン

• RQ1 LiDAR、インエールシャル、視覚データを統合する密結合でシングルスレッドな統合フレームワークは、緩く結合されたまたは逐次的なパイプラインと比較して、より高い精度と耐障害性を達成できるか？
• RQ2 非同期なLiDAR、IMU、カメラセンサ間のオンライン空間的・時間的キャリブレーションは、動的かつ低照度環境下での推定性能にどのように影響を与えるか？
• RQ3 スパースなLiDAR特徴（エッジと平面）を用いることで、視覚的またはIMUデータに依存する場合と比較して、モーション推定精度がどの程度向上するか？
• RQ4 従来のVIOシステムが失敗するような急激な運動プロファイル下でも、本手法はどのように性能を発揮するか？
• RQ5 3つの補完的センシングモダリティを統合することで、最先端のLiDARまたは視覚-インエールシャルオドメトリーシステムと比較して、軌道ドリフトを顕著に低減できるか？

主な発見

• RTK GPSの真値を有する800メートルの屋外シーケンスにおいて、LIC-Fusionは平均絶対軌道誤差（ATE）が4.06メートルを記録し、MSCKF（10.75 m）と比較して62.2%低減、LOAM（23.08 m）と比較して82.4%低減した。
• 急激な運動が発生する屋内シーケンス（例：Indoor-C）において、LIC-Fusionは1.55メートルのスタート・エンド誤差を達成したのに対し、MSCKFは49.94メートルで失敗、LOAMは2.44メートルであった。これは、高動的条件下でも優れた耐障害性を示している。
• すべての屋外軌道走行において、LIC-Fusionの平均二乗誤差（MSE）はMSCKFおよびLOAMを常に下回り、4分間の走行においてMSCKFと比較して平均誤差が2.5メートル低減した。
• 低照度屋内シーケンス（例：Indoor-BおよびIndoor-D）において、LIC-Fusionはそれぞれ1.04メートルおよび3.68メートルのサブメートル精度を維持し、MSCKFおよびLOAMを上回った。これは、劣悪な照明条件下でも耐障害性があることを証明している。
• 軌道可視化図およびMSEプロットから、LIC-Fusionのドリフト増加はMSCKFおよびLOAMと比較して顕著に遅く、長期的な安定性を示している。
• オンライン空間的・時間的キャリブレーション機構により、初期のずれに対する感受性が著しく低減され、事前のキャリブレーションがなくても信頼性の高い運用が可能になった。