[論文レビュー] On-Manifold Preintegration Theory for Fast and Accurate Visual-Inertial Navigation

Christian Förster, Luca Carlone+2 more|arXiv (Cornell University)|Dec 8, 2015

Robotics and Sensor-Based Localization参考文献 65被引用数 38

ひとこと要約

本稿では、回転群 SO(3) 上の相対運動制約として、キーフレーム間の慣性計測値をモデル化する多様体制約付き事前統合理論を提案する。これにより、リアルタイムかつ高精度な状態推定が可能となる。解析的ヤコビアンを導出し、構造なしの視覚要因を用いた要因グラフフレームワークに統合することで、高い精度と計算効率を達成し、実データおよびシミュレートデータ上で最先端の手法を上回る性能を発揮する。

ABSTRACT

Current approaches for visual-inertial navigation (VIN) are able to attain highly accurate state estimation via nonlinear optimization. However, real-time optimization quickly becomes infeasible as the trajectory grows over time; this problem is further emphasized by the fact that inertial measurements come at high rate, hence leading to fast growth of the number of variables in the optimization. In this paper, we address this issue by preintegrating inertial measurements between selected keyframes into single relative motion constraints. Our first contribution is a preintegration theory that properly addresses the manifold structure of the rotation group. We formally discuss the generative measurement model as well as the nature of the rotation noise and derive the expression for the maximum a posteriori state estimator. Our theoretical development enables the computation of all necessary Jacobians for the optimization and a-posteriori bias correction in analytic form. The second contribution is to show that the preintegrated IMU model can be seamlessly integrated into a visual-inertial pipeline under the uni- fying framework of factor graphs. This enables the application of incremental-smoothing algorithms and the use of a structureless model for visual measurements, which avoids optimizing over the 3D points, further accelerating the computation. We perform an extensive evaluation of our monocular VIN pipeline on real and simulated datasets. The results confirm that our modelling effort leads to accurate state estimation in real-time, outperforming state-of-the-art approaches.

研究の動機と目的

• 高レートの慣性計測値と増加する最適化変数が引き起こすリアルタイム視覚慣性ナビゲーションにおける計算ボトルネックを解消すること。
• 回転群 SO(3) の多様体構造を尊重し、回転ノイズを適切にモデル化する理論的に整合性のある事前統合フレームワークを開発すること。
• 最適化のための解析的ヤコビアンとバイアス補正を可能にするために、効率的な最適化を可能にする。
• 構造なしの視覚要因を用いて、要因グラフフレームワークに事前統合されたIMUモデルをスムーズに統合し、3次元点の最適化を回避すること。
• 統一された最適化フレームワークを通じて、モノクローラル視覚慣性システムにおけるリアルタイムかつ高精度な状態推定を達成すること。

提案手法

• SO(3) 上の回転の非ユークリッド的性質を考慮した、事前統合された慣性計測値の生成的測定モデルを形式化する。
• 回転ノイズを多様体に配慮した形で組み込んだ、事前統合IMU要因の最尤推定器を導出する。
• 最適化およびバイアス補正に必要なすべてのヤコビアンを、導出された解析的表現を用いて閉形式で計算する。
• 事前統合されたIMU要因を、キーフレーム間の相対運動制約として、要因グラフフレームワークに統合する。
• 3次元点位置の最適化を回避する構造なしの視覚要因モデルを用いることで、計算負荷を顕著に低減する。
• インクリメンタルスムージングアルゴリズムを適用し、リアルタイム性能を維持しながら、インクリメンタルな状態推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 回転群 SO(3) の多様体構造を尊重する形で、慣性計測値をどのように事前統合すれば推定精度が向上するか。
• RQ2 事前統合ヤコビアンおよびバイアス補正の解析的定式化を導出できるか。これにより、視覚慣性システムにおける効率的な最適化が可能になるか。
• RQ3 構造なしの視覚要因を用いた要因グラフに事前統合IMU要因を統合することで、計算負荷を著しく低減しつつも精度を損なわず、どの程度の効果が得られるか。
• RQ4 本手法は、実データおよびシミュレートデータ上で、最先端の視覚慣性ナビゲーションシステムと比較して、精度およびリアルタイム性能においてどのように優れているか。

主な発見

• 提案された多様体上での事前統合理論により、回転ノイズの正確なモデル化とSO(3)多様体の適切な取り扱いが可能となり、推定の一貫性が向上する。
• 最適化およびバイアス補正に必要なすべてのヤコビアンが解析的形で計算され、数値近似が不要となり、計算効率が向上する。
• 構造なしの視覚要因との統合により、3次元点の最適化を回避し、計算負荷を顕著に低減しつつも、精度を維持する。
• 本手法は、実データおよびシミュレートデータの両方でリアルタイム性能を達成し、最先端の手法を上回る優れた精度を示す。
• 評価結果から、理論的モデル化のおかげで、回転およびノイズの適切な取り扱いにより、困難な条件下でも堅牢かつ高精度な状態推定が実現することが確認された。