[論文レビュー] MINS: Efficient and Robust Multisensor-aided Inertial Navigation System
本論文は、連続時間フィルタリングフレームワーク内でIMU、ホイールエンコーダー、カメラ、LiDAR、GNSSを統合する、密結合型で効率的かつ頑健なマルチセンサ支援インertialナビゲーションシステムMINSを提案する。高次元の多様体上での補間、動的クローン化による計算複雑度の適応的制御、オンライン時空間校正、IMU-ホイールエンコーダーのみによる初期化を導入し、センサ障害や動的状況下でも最小限の計算量で最先端の精度、一貫性、リアルタイム性能を達成する。
Robust multisensor fusion of multi-modal measurements such as IMUs, wheel encoders, cameras, LiDARs, and GPS holds great potential due to its innate ability to improve resilience to sensor failures and measurement outliers, thereby enabling robust autonomy. To the best of our knowledge, this work is among the first to develop a consistent tightly-coupled Multisensor-aided Inertial Navigation System (MINS) that is capable of fusing the most common navigation sensors in an efficient filtering framework, by addressing the particular challenges of computational complexity, sensor asynchronicity, and intra-sensor calibration. In particular, we propose a consistent high-order on-manifold interpolation scheme to enable efficient asynchronous sensor fusion and state management strategy (i.e. dynamic cloning). The proposed dynamic cloning leverages motion-induced information to adaptively select interpolation orders to control computational complexity while minimizing trajectory representation errors. We perform online intrinsic and extrinsic (spatiotemporal) calibration of all onboard sensors to compensate for poor prior calibration and/or degraded calibration varying over time. Additionally, we develop an initialization method with only proprioceptive measurements of IMU and wheel encoders, instead of exteroceptive sensors, which is shown to be less affected by the environment and more robust in highly dynamic scenarios. We extensively validate the proposed MINS in simulations and large-scale challenging real-world datasets, outperforming the existing state-of-the-art methods, in terms of localization accuracy, consistency, and computation efficiency. We have also open-sourced our algorithm, simulator, and evaluation toolbox for the benefit of the community: https://github.com/rpng/mins.
研究の動機と目的
- リアルタイムで5つの一般的なナビゲーションセンサ（IMU、ホイールエンコーダー、カメラ、LiDAR、GNSS）を統合する、効率的で密結合型のマルチセンサ融合システムの不足を解消すること。
- 長期運用における非同期センサデータ、高い計算複雑度、時間変動するセンサ校正の課題を克服すること。
- 高動的または外部センサに劣化が生じる環境下でも、自己認識センサ（IMUとホイールエンコーダー）に依存する頑健な初期化手法を開発すること。
- 軌道表現誤差を最小限に抑える一方で計算効率を維持する、一貫性のある高次元の多様体上での状態補間を実現すること。
- 初期校正が不十分または変動する状況でも精度を維持できる、オンラインでの内部および外部（時空間的）校正を提供すること。
提案手法
- 非同期および遅延測定に対処するため、計算複雑度を低減する連続時間状態表現を提案する。
- 非同期センサ更新間での状態推定の整合性と正確性を保証する高次元の多様体上での補間スキームを導入する。
- 運動ダイナミクスに応じて補間次数を動的に調整する動的クローンアルゴリズムを開発し、計算負荷と軌道忠実度のバランスを図る。
- 事前校正に依存せずに、時間変動するバイアスや不整合を補正するため、すべてのセンサに対してオンライン内部および外部校正を採用する。
- IMUとホイールエンコーダーのデータのみを用いた、新たな初期化技術を設計し、高動的または外部センサに問題が生じる環境でも信頼性の高い起動を可能にする。
- EKF更新における測定圧縮と小さな状態サイズを活用し、センサ数に依存しない低計算オーバーヘッドを実現。EKF更新1回あたりの計算時間は常に1 msを維持する。
実験結果
リサーチクエスチョン
- RQ1密結合型マルチセンサ融合システムは、リアルタイムで5つの一般的なナビゲーションセンサ（IMU、ホイールエンコーダー、カメラ、LiDAR、GNSS）を効率的かつ頑健に統合できるか？
- RQ2連続時間状態補間による軌道表現誤差を最小限に抑えると同時に、計算効率を維持できるか？
- RQ3オンライン時空間校正は、長期的な自律走行における不良または変動するセンサ校正に対する頑健性を向上させられるか？
- RQ4高動的または外部センサに劣化が生じる状況下でも、自己認識センサ（IMUとホイールエンコーダー）のみで信頼性の高いシステム初期化が可能か？
- RQ5動的クローン化は、推定精度や一貫性を損なわずに計算複雑度をどの程度低減できるか？
主な発見
- MINSは、センサ数にかかわらずEKF更新時間が常に1 msを維持しており、優れた計算効率を示している。
- センサの冗長性と頑健な統合のおかげで、GNSS不可、LiDAR劣化、カメラ遮断といった多様な環境下でも一貫した性能を維持している。
- 動的クローンアルゴリズムは、計算負荷を効果的に低減するとともに、軌道の正確性を保持しており、固定次数補間よりも忠実度と効率性に優れている。
- オンライン校正は、時間変動するセンサバイアスや初期校正が不十分な状況下でも、推定の一貫性と正確性を顕著に向上させた。
- IMU-ホイールエンコーダーのみによる初期化手法は、外部センサが故障する高動的シーンでも正常なシステム起動を可能にし、このような状況下で従来手法を上回る性能を示した。
- KAIST都市38データセットにおけるベンチマーク評価では、MINSは異なるセンサ構成下で合計54–47 msの計算時間を記録し、評価対象のすべての手法の中で2番目に高速であり、センサ数の変化に伴う変動も最小限に抑えられていた。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。