[論文レビュー] Pose Estimation for Ground Robots: On Manifold Representation, Integration, Re-Parameterization, and Optimization

Mingming Zhang, Xingxing Zuo+3 more|arXiv (Cornell University)|Sep 8, 2019

Robotics and Sensor-Based Localization参考文献 59被引用数 9

ひとこと要約

本稿では、ロボットの運動を多様体としてモデル化し、多様体に基づく統合と周期的再パラメータ化を実行することで、車輪オドメトリと外部センサ（例：単眼カメラ）のみを用いて6次元姿勢推定を実現する新しい確率的手法を提案する。本手法は、IMU や複雑なセンサ融合を必要とせず、大規模な実環境において最先端の精度を達成する。

ABSTRACT

In this paper, we focus on motion estimation dedicated for non-holonomic ground robots, by probabilistically fusing measurements from the wheel odometer and exteroceptive sensors. For ground robots, the wheel odometer is widely used in pose estimation tasks, especially in applications under planar-scene based environments. However, since the wheel odometer only provides 2D motion estimates, it is extremely challenging to use that for performing accurate full 6D pose (3D position and 3D orientation) estimation. Traditional methods on 6D pose estimation either approximate sensor or motion models, at the cost of accuracy reduction, or rely on other sensors, e.g., inertial measurement unit (IMU), to provide complementary measurements. By contrast, in this paper, we propose a novel method to utilize the wheel odometer for 6D pose estimation, by modeling and utilizing motion manifold for ground robots. Our approach is probabilistically formulated and only requires the wheel odometer and an exteroceptive sensor (e.g., a camera). Specifically, our method i) formulates the motion manifold of ground robots by parametric representation, ii) performs manifold based 6D integration with the wheel odometer measurements only, and iii) re-parameterizes manifold equations periodically for error reduction. To demonstrate the effectiveness and applicability of the proposed algorithmic modules, we integrate that into a sliding-window pose estimator by using measurements from the wheel odometer and a monocular camera. By conducting extensive simulated and real-world experiments, we show that the proposed algorithm outperforms competing state-of-the-art algorithms by a significant margin in pose estimation accuracy, especially when deployed in complex large-scale real-world environments.

研究の動機と目的

• 低コストセンサに依存するのみで、高価なGPSやIMUに依存しない、地上ロボットにおける正確な6次元姿勢推定（3次元位置および姿勢）の課題に対処すること。
• 従来の手法が運動モデルを近似するか、IMU などの補完的センサに依存するという限界を克服し、情報の利用効率と精度を向上させること。
• 地上ロボットの固有の運動多様体（平面的または表面に基づく運動に制限される）を活用し、車輪オドメトリと外部センサのみで推定精度を向上させること。
• 2次元の車輪オドメトリ測定値と外部センサデータを、多様体に基づく制約を通じて統合する確率的フレームワークを構築し、完全な6次元姿勢推定を実現すること。
• 劣化運動状態や長期間にわたるずれが一般的な複雑で大規模な実環境において、顕著な性能向上を実証すること。

提案手法

• 地上ロボットの運動多様体を、2次元の車輪オドメトリ運動のパラメトリック表現を用いて形式化し、平面的運動の幾何的制約を捉える。
• 2次元オドメトリ測定値を多様体に基づいて確率的フレームワークに統合し、ロボットの運動が3次元空間内の2次元多様体上にあることを強制することで6次元姿勢を統合的に推定する。
• 更新された状態推定値を用いて多様体方程式の周期的再パラメータ化を実行し、蓄積された誤差を是正し、長期的な一貫性を向上させる。
• 車輪オドメトリと単眼カメラからの測定値を用いて、スライディングウィンドウ最適化フレームワークに多様体ベース推定器を統合し、姿勢推定値を精緻化する。
• 回転行列 δR と並進ベクトル δp を用いて、多様体パラメータ（A, B, c）の更新に閉形式変換を導出することで、効率的かつ正確な再パラメータ化を可能にする。
• 計算効率を向上させるために、方向パラメータに単位行列 I₂ を簡略化して使用し、実験的に全方向推定と同等の性能を達成することが確認された。

実験結果

リサーチクエスチョン

• RQ1 IMU や高価なセンサに依存せず、車輪オドメトリと単眼カメラのみを用いて、6次元姿勢推定を正確に実現できるか？
• RQ2 地上ロボットの固有の運動多様体を効果的にモデル化し、6次元姿勢推定精度の向上に活用できるか？
• RQ3 多様体方程式の周期的再パラメータ化が、ずれの低減と長期的な推定安定性の向上に与える影響は何か？
• RQ4 複雑で大規模な実環境において、本手法は最新のビジュアルインertial法および純粋なビジュアル手法と比較して、精度と耐障害性において優れているか？
• RQ5 運動多様体制約は、地上ロボットにおける直接的な3次元運動測定の欠如をどの程度補えるか？

主な発見

• 提案手法は、特に複雑で大規模な実環境において、競合する最先端アルゴリズムよりも顕著に高い姿勢推定精度を達成する。
• 多様体に基づく統合と周期的再パラメータ化の活用により、累積誤差を含む車輪オドメトリに対しても、長期的なずれを低減し、一貫性を向上させる。
• 回転速度がゼロや静止状態といった劣化運動状態では、IMUに依存するシステムがしばしば失敗するが、本手法はそれらの状況でも視覚インertial手法を上回る性能を示す。
• 実験結果から、車輪オドメトリと単眼カメラのみを用いても、フルIMUとGPSを搭載したシステムと同等またはそれ以上の性能を達成でき、コストははるかに低いことが示された。
• 再パラメータ化における方向パラメータに単位行列 I₂ を使用した場合、全方向推定を用いた場合と同等の性能が得られ、本手法の耐障害性と計算効率の高さが裏付けられた。
• 多様体パラメータ（A, B, c）の更新に閉形式変換を用いることで、効率的かつ正確な再パラメータ化が可能となり、本手法のリアルタイム実行可能性と安定性に貢献した。