[論文レビュー] Run Your Visual-Inertial Odometry on NVIDIA Jetson: Benchmark Tests on a Micro Aerial Vehicle

Jinwoo Jeon, Sungwook Jung+3 more|arXiv (Cornell University)|Mar 2, 2021

Robotics and Sensor-Based Localization参考文献 36被引用数 6

ひとこと要約

本論文は、NVIDIA Jetson TX2、Xavier NX、AGX Xavier プラットフォーム上で、挑戦的な回転軌道を含む新規の KAIST VIO データセットを用いて、モノクロ、ステレオ、IMU補強付きの10種類の視覚慣性オドメトリ（VIO）アルゴリズムをベンチマークした。主な発見として、TX2ではGPUアクセラレーションを活用したVINS-Fusion-gpuが最良の性能を示した一方、AGX Xavier ではすべてのアルゴリズムにおいて優れた精度が得られ、特に純粋な回転シナリオで顕著であった。

ABSTRACT

This paper presents benchmark tests of various visual(-inertial) odometry algorithms on NVIDIA Jetson platforms. The compared algorithms include mono and stereo, covering Visual Odometry (VO) and Visual-Inertial Odometry (VIO): VINS-Mono, VINS-Fusion, Kimera, ALVIO, Stereo-MSCKF, ORB-SLAM2 stereo, and ROVIO. As these methods are mainly used for unmanned aerial vehicles (UAVs), they must perform well in situations where the size of the processing board and weight is limited. Jetson boards released by NVIDIA satisfy these constraints as they have a sufficiently powerful central processing unit (CPU) and graphics processing unit (GPU) for image processing. However, in existing studies, the performance of Jetson boards as a processing platform for executing VO/VIO has not been compared extensively in terms of the usage of computing resources and accuracy. Therefore, this study compares representative VO/VIO algorithms on several NVIDIA Jetson platforms, namely NVIDIA Jetson TX2, Xavier NX, and AGX Xavier, and introduces a novel dataset 'KAIST VIO dataset' for UAVs. Including pure rotations, the dataset has several geometric trajectories that are harsh to visual(-inertial) state estimation. The evaluation is performed in terms of the accuracy of estimated odometry, CPU usage, and memory usage on various Jetson boards, algorithms, and trajectories. We present the {results of the} comprehensive benchmark test and release the dataset for the computer vision and robotics applications.

研究の動機と目的

• リソース制限のある Jetson プラットフォーム上で、最新の視覚慣性オドメトリ（VIO）アルゴリズムの性能を評価すること。
• CPU 使用率およびメモリ消費量という観点から、VO/VIO アルゴリズムの Jetson ボードにおける包括的でないベンチマークの欠如を是正すること。
• UAV 用に適した、純粋な回転や高速ターンを含む挑戦的な回転軌道を有する新規の KAIST VIO データセットを提供すること。
• 計算制約と運動特性に基づいて、UAV システムにおける最適なアルゴリズム・プラットフォームの組み合わせを実用的に導くこと。
• TX2、NX、AGX Xavier のようなハードウェアの差が、特に高動的および回転が強いシナリオにおいて VIO の性能に与える影響を明らかにすること。

提案手法

• VINS-Mono、ROVIO、ALVIO（モノクロ）、ORB-SLAM2（ステレオ）、VINS-Fusion（IMUあり・なし）、VINS-Fusion-gpu、Stereo-MSCKF、Kimera（ステレオ-VIO）の合計10種類の VO/VIO アルゴリズムを包括的にベンチマークした。
• 精度、CPU 使用率、メモリ消費量を測定するために、3つの Jetson プラットフォーム（TX2、Xavier NX、AGX Xavier）で全アルゴリズムを評価した。
• 円、インfiniティ、正方形、純粋な回転の4つの幾何的軌道を含む KAIST VIO データセットを設計・収集した。各軌道を通常速度および高速で実行し、頭部回転を含めた。
• モーションキャプチャシステムを用いて真値を取得し、特に挑戦的な回転シナリオにおけるオドメトリ誤差の正確な評価を可能にした。
• 同一のハードウェア、センサー設定（Intel Realsense D435i、Pixhawk4 mini）、飛行条件を用いた統一された実験設定を採用した。
• 特に回転運動下での並進誤差およびヨー誤差の変動に注目し、プラットフォームおよびアルゴリズムごとの誤差差異の統計的分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 Jetson TX2、Xavier NX、AGX Xavier プラットフォーム上での VO/VIO アルゴリズムの精度、CPU 使用率、メモリ消費量の性能は、それぞれどのように異なるか？
• RQ2 マイクロ航空機（UAV）に最適な、計算効率と推定精度のバランスを取るアルゴリズム・プラットフォームの組み合わせは何か？
• RQ3 回転運動、特に純粋な回転や高速ターンは、VO/VIO アルゴリズムの性能にどのように影響を与えるか？
• RQ4 GPU アクセラレーションは、TX2 などの低性能 Jetson ボードにおいて、VIO の性能をどの程度向上させるか？
• RQ5 Jetson プラットフォーム間での CPU および GPU 機能の差は、ステレオおよびモノクロ VIO 法の安定性と精度にどのように影響を与えるか？

主な発見

• TX2 プラットフォームでは、CPU 性能が限られているにもかかわらず、GPU アクセラレーションのおかげで VINS-Fusion-gpu が回転軌道で最良の性能を発揮した。
• 純粋な回転シーケンスでは、VINS-Fusion-imu および VINS-Fusion-gpu が標準の VINS-Fusion よりも低い誤差を示した。これは、高動的運動において IMU 結合の重要性を示している。
• ROVIO および ALVIO は、すべての Jetson プラットフォームで性能にほとんど差がなく、低リソース環境に最適化されていることが示された。
• ステレオベースのアルゴリズム（ORB-SLAM2、Stereo-MSCKF、Kimera）は、CPU 僅令処理と限られた1フレームあたりの処理時間のため、TX2 ではモノクロ手法よりも高い誤差を示した。
• Xavier NX および AGX Xavier では、CPU およびメモリ性能の向上に伴い、ステレオ VIO 手法がモノクロ手法を上回った。AGX Xavier は、すべてのアルゴリズムで最も低い全体的な誤差を示した。
• KAIST VIO データセットの純粋な回転シーケンスは、特に堅牢な IMU 結合や GPU アクセラレーションを備えないアルゴリズムの推定の脆弱性を効果的に露呈した。