[論文レビュー] Monocular Vision based Collaborative Localization for Micro Aerial Vehicle Swarms

Sai Vemprala, Srikanth Saripalli|arXiv (Cornell University)|Apr 7, 2018

Robotics and Sensor-Based Localization被引用数 5

ひとこと要約

本論文は、分散型特徴マッチングとポーズ推定を用いて、単眼カメラを搭載したマイクロエアロダルビークル（MAV）スウォームのための視覚ベースの協調位置特定フレームワークを提案する。共分散交差を用いて個々の（MAV内）および相対的（MAV間）なポーズ推定を融合することで、スケールの曖昧性がある環境、特にGPS不可環境において、単体の手法と比較して位置特定誤差を最大30％まで低減する。

ABSTRACT

In this paper, we present a vision based collaborative localization framework for groups of micro aerial vehicles (MAV). The vehicles are each assumed to be equipped with a forward-facing monocular camera, and to be capable of communicating with each other. This collaborative localization approach is built upon a distributed algorithm where individual and relative pose estimation techniques are combined for the group to localize against surrounding environments. The MAVs initially detect and match salient features between each other to create a sparse reconstruction of the observed environment, which acts as a global map. Once a map is available, each MAV performs feature detection and tracking with a robust outlier rejection process to estimate its own six degree-of-freedom pose. Occasionally, the MAVs can also fuse relative measurements with individual measurements through feature matching and multiple-view geometry based relative pose computation. We present the implementation of this algorithm for MAVs and environments simulated within Microsoft AirSim, and discuss the results and the advantages of collaborative localization.

研究の動機と目的

• スウォーム全体での推定を活用することで、MAVの単眼視覚におけるスケールの曖昧性を解消すること。
• 前方を向いた単眼カメラのみを用いて、GPS不可または未知の環境でも頑健な位置特定を実現すること。
• MAV間で計算負荷を分散させ、個々の搭載機のオンボード処理要求を軽減すること。
• 隣接するMAVからの相対測定値と個々のポーズ推定値を統合することで、位置特定精度を向上させること。
• 帯域幅とエネルギー消費を低減するため、完全に分散化され、通信が途切れやすいフレームワークを構築すること。

提案手法

• MAV間での特徴検出およびマッチングを用いて、環境の共有されたスパarsな3次元再構成（グローバルマップ）を構築する。
• グローバルマップからの特徴追跡を用いて、各MAVの6自由度ポーズを独立して推定することで、MAV内での位置特定を実行する。
• 複数視点幾何学と車両間の特徴対応関係を用いて、相対ポーズを計算することで、MAV間での位置特定を可能にする。
• 共分散交差法を用いて個々のポーズ推定値と相対的ポーズ推定値を統合し、推定精度を向上させる。
• 特徴追跡の品質がしきい値未満に低下した場合に、グローバルマップを動的に更新することで、マップの一貫性を保つ。
• シミュレーションのためにMicrosoft AirSimを用い、現実的なMAVの動力学的挙動と視覚センシングを実装する。

実験結果

リサーチクエスチョン

• RQ1 前方を向いた単眼カメラを搭載したMAVスウォームは、GPSや事前マップなしで正確な位置特定を達成できるか？
• RQ2 MAV間の相対ポーズ測定値を統合することで、個々の推定と比較して位置特定精度がどの程度向上するか？
• RQ3 通信の途切れや分散処理が、スウォームにおける位置特定性能に与える影響は何か？
• RQ4 協調的特徴マッチングとスパース再構成は、単眼システムにおけるスケール推定を向上させられるか？
• RQ5 90度の旋回などの複雑な運動を伴う長時間の軌道走行中、システムは精度を維持できるか？

主な発見

• MAV内個別推定とMAV間相対ポーズ推定を統合することで、個別推定のみと比較して、RMS位置特定誤差を最大30％まで低減した。
• MAV間位置特定モジュールは、特にMAVがシーンから離れている状況でも、MAV内推定よりも一貫して低い不確実性（高い信頼性）を維持した。
• 60メートルの前後移動軌道において、MAV 1のX軸誤差は統合前（3.6 cm）から統合後（2.5 cm）に低下し、MAV 2のY軸誤差は17.9 cmから12.0 cmに減少した。
• 90度の都市飛行中に、中間的なマップ更新を実行し、高レベルの運動と距離にもかかわらず、正確なポーズ推定を維持した。
• 3次元軌道プロットでは、統合推定値がドリフトに起因する影響を受けるフェーズにおいても、未統合推定値よりも顕著に真値に近い位置に保たれた。
• 動的かつ複雑な環境においても、長時間にわたるナビゲーションとマップ更新後でも、システムは頑健な位置特定を示した。