[論文レビュー] LINS: A Lidar-Inerital State Estimator for Robust and Fast Navigation

Chao Qin, Haoyang Ye+3 more|arXiv (Cornell University)|Jul 4, 2019

Robotics and Sensor-Based Localization参考文献 28被引用数 7

ひとこと要約

LINS は、反復誤差状態カルマンフィルタを用いて 3D ライダーと IMU データを密結合に統合するライダーインertialステート推定器であり、ロバストで高速な自己移動推定を実現する。特徴が乏しい環境でもライダー単体の手法を上回る精度を達成し、最先端のライダーインエラストル統合手法と比較してほぼ 10 倍速く動作する。

ABSTRACT

Robust and fast ego-motion estimation is a critical problem for autonomous robots. With high reliability and precision, 3D-lidar-based simultaneous localization and mapping (SLAM) has been widely used in the robotics community to solve this problem. However, the lidar alone is not enough to provide full autonomy to robot navigation in terms of robustness and operating scope, especially in feature-less scenes. In this paper, we present LINS: a lidar-inertial state estimator for robust and fast navigation. Our approach tightly couples the 3D lidar and the inertial measurement unit (IMU) by an iterative error-state Kalman filter (IESKF). To validate generalizability and long-time practicability, extensive experiments are performed in a variety of scenarios including the city, port, forest, and parking lot. The results indicate that LINS outperforms the lidar-only methods in terms of accuracy and it is faster than the state-of-the-art lidar-inertial fusion methods in nearly an order of magnitude.

研究の動機と目的

• 特徴が乏しい環境におけるライダー単体 SLAM の限界を補完するために、インertial 測定値を統合すること。
• ライダー単体では達成できない範囲を超えて、自律ロボットナビゲーションのロバスト性と運用範囲を向上させること。
• 長時間にわたり高い精度を維持できるリアルタイム対応のステート推定器を開発すること。
• 既存のライダーインエラストル統合手法と比較して、精度を保持または向上させつつ、顕著な高速化を達成すること。

提案手法

• LINS は、3D ライダーとインertial メジャーメント ユニット (IMU) データを密結合に統合するために反復誤差状態カルマンフィルタ (IESKF) を採用する。
• IESKF はイノベーションフィードバックを用いてステート推定値を反復的に補正することで、非線形誤差ダイナミクスにおける収束性と精度を向上させる。
• ライダー測定値はスキャンマッチングを用いてステート推定値を補正する一方、IMU データは高レートのデッドレコニングを提供する。
• 推定器はライダーおよび IMU の両方の位置、速度、姿勢、バイアスを含む完全な 3D ステートベクトルを維持する。
• 統合フレームワークは計算効率に配慮しており、標準的なハードウェアでもリアルタイム動作を実現できる。
• IESKF における反復的精錬は線形化誤差を低減し、動的または特徴が乏しい環境における耐性を高める。

実験結果

リサーチクエスチョン

• RQ1 反復誤差状態カルマンフィルタによるライダーと IMU の密結合統合が、特徴が乏しい環境におけるナビゲーションのロバスト性を顕著に向上させ得るか？
• RQ2 LINS は多様な実世界のシナリオにおいて、ライダー単体 SLAM 手法と比較して、精度と速度の両面でどのように差をつけるか？
• RQ3 IESKF における反復的精錬は、標準的な ESKF アプローチと比較して、推定精度をどの程度向上させるか？
• RQ4 LINS は、森林や港など困難な環境でも長時間にわたり高い性能を維持できるか？
• RQ5 LINS は最先端のライダーインエラストル統合手法と比較して、計算効率はどの程度高いか？

主な発見

• LINS は、都市部、港、森林、駐車場など、すべてのテスト環境でライダー単体 SLAM 手法を上回る高い精度を達成した。
• 特徴が乏しいシーンにおいても、LINS はロバストな性能を示し、ライダー単体手法がしばしば失敗する状況でも安定して動作した。
• LINS は最先端のライダーインエラストル統合手法と比較して、ほぼ 10 倍速く動作し、リアルタイムデプロイメントを可能にした。
• 反復誤差状態カルマンフィルタは、非反復的手法と比較して収束性を顕著に向上させ、推定誤差を低減した。
• 広範な実験により、LINS が多様かつ困難な環境において一般化可能で長期的に実用可能なことが確認された。
• IESKF を用いたライダーと IMU データの統合により、高動的条件下でも安定的かつ正確なステート推定が可能になった。