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

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

Robotics and Sensor-Based Localization参考文献 29被引用数 17

ひとこと要約

LINSは、反復誤差状態カルマンフィルタ（ESKF）とロボセントリックな状態定式化を用いた軽量で密結合なライダーインertialステート推定器を提案する。この手法により、地上車両のリアルタイムでロバストかつ高精度な自己移動推定が可能になる。LINSは、先行手法と比較して10倍の高速化を達成し、特徴が乏しい環境でもLIOMを上回る性能を発揮する、最先端の精度を実現している。

ABSTRACT

We present LINS, a lightweight lidar-inertial state estimator, for real-time ego-motion estimation. The proposed method enables robust and efficient navigation for ground vehicles in challenging environments, such as feature-less scenes, via fusing a 6-axis IMU and a 3D lidar in a tightly-coupled scheme. An iterated error-state Kalman filter (ESKF) is designed to correct the estimated state recursively by generating new feature correspondences in each iteration, and to keep the system computationally tractable. Moreover, we use a robocentric formulation that represents the state in a moving local frame in order to prevent filter divergence in a long run. To validate robustness and generalizability, extensive experiments are performed in various scenarios. Experimental results indicate that LINS offers comparable performance with the state-of-the-art lidar-inertial odometry in terms of stability and accuracy and has order-of-magnitude improvement in speed.

研究の動機と目的

• ライダーのみのスティックオドメトリが、点群が疎なため失敗するような特徴が乏しい環境（例：開けた地域、港）における性能の悪さという課題に対処する。
• 最新のグラフベースのライダーインエラシャルオドメトリ（例：LIOM）が1スキャンあたり100ms以上を要し、リアルタイム利用が制限される計算ボトルネックを克服する。
• フィルタの発散を防ぐロボセントリックな状態定式化を導入することで、自己移動推定の長期的安定性を向上させ、ドリフトを低減する。
• 3次元ライダーと6軸IMUのデータを再帰的誤差状態カルマンフィルタを用いて密結合に統合することで、高精度でリアルタイムのナビゲーションを実現する。
• 特徴が乏しく、動的運動がライダー点群を歪める都市部、森林、屋内駐車場などの困難なシナリオにおいて、優れた性能を示す。

提案手法

• 反復誤差状態カルマンフィルタ（ESKF）を採用し、各イテレーションで新たな特徴対応を生成することで、計算負荷を増大させずに状態推定値を逐次補正する。
• ロボセントリックな状態定式化を採用し、ライダーの各タイムステップで局所的参照フレームを更新することで、長期的安定性を確保し、フィルタの発散を防止する。
• 高周波のIMU測定値（100–500 Hz）と3次元ライダー点群特徴を、ポーズとバイアスの状態を同時に最適化する状態推定フレームワーク内で密結合に統合する。
• 計算コストを削減するため、特徴マッチングを直前のライダースキャンに限定するが、IMUに依存する運動制約により精度を維持する。
• IMUプリインテグレーションを用いて時間間隔内の慣性測定値をモデル化し、ノイズを低減し、効率的な状態伝搬を可能にする。
• 要因分解型カルマンフィルタ手法を採用し、最適化問題を時間的に再帰的に解くことで、バッチ最適化を必要としないグラフベース手法とは異なり、リアルタイム性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 密結合なライダーインエラシャルステート推定器は、最新のグラフベース手法と同等の精度を維持しつつ、1スキャンあたり30ms未塔のリアルタイム性能（<30ms）を達成できるか？
• RQ2 ロボセントリックな状態定式化は、特徴が乏しい条件下で、ライダーインエラシャルオドメトリの長期的安定性を向上させ、ドリフトを低減するか？
• RQ3 直前のスキャンのみを対象として特徴マッチングを制限する反復ESKFは、点群が疎な環境でも精度を維持できるか？
• RQ4 LINSは、LOAM、LeGO、LIOMと比較して、特徴が乏しく、動的運動が影響する環境下で、軌道精度とロバスト性に優れているか？
• RQ5 ライダーインエラシャルオドメトリにおいて、バッチ最適化を再帰的カルマンフィルタに置き換える際の、計算効率と推定精度のトレードオフは何か？

主な発見

• LINSは、すべてのテストシナリオにおいて1スキャンあたり平均18–25msの実行時間を達成し、LIOMが1スキャンあたり143–223msを要するのと比較して、1桁の高速化を実現した。
• 都市部実験では、LINSは相対的ドリフトが1.79%（MRO）および4.42%（PO）であり、LIOMの1.76%および4.44%と非常に近い結果を示したが、計算コストは大幅に低減された。
• 港実験では、LINSは相対的ドリフトが1.56%（MRO）を達成し、LeGO（2.75%）およびLOAM（3.01%）を上回り、真値との一致が高く、マップの忠実度も優れていた。
• 平均56個のエッジ特徴（1スキャンあたり）という特徴が乏しい都市部シナリオでも、LINSは安定した性能を維持し、最小限のドリフトを示したのに対し、LeGOおよびLOAMは顕著な姿勢誤差と軌道ずれを示した。
• LINSが生成した3次元マップは、実世界のシーン、特に特徴が乏しい地域においてもGoogleマップと高い一致度を示し、ロバストさと高精度な再構築を裏付けた。
• LINSは、すべてのシナリオでLIOMと同等の精度を達成しながらも、著しく高速であったため、再帰的ESKFに基づく推定がリアルタイムアプリケーションにおいてバッチグラフ最適化を上回ることを実証した。