[論文レビュー] Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments

Shibo Zhao, Hengrui Zhang+3 more|arXiv (Cornell University)|Apr 30, 2021

Robotics and Sensor-Based Localization被引用数 11

ひとこと要約

Super Odometry は、LiDAR、視覚、IMU データを統合する IMU 中心のマルチモーダルセンサフュージョンフレームワークを提案する。このフレームワークにより、トンネル、暗室、ほこりの多い環境などの認知的劣化環境においても、高精度かつリアルタイムの状態推定が可能になる。動的オクトリーベースのスキャンマッチングと非同期要因グラフ最適化を用いた IMU 中心のパイプラインにより、LOAM や LIO-SAM、VINS よりも精度とリアルタイム効率に優れた堅牢な性能を達成している。

ABSTRACT

We propose Super Odometry, a high-precision multi-modal sensor fusion framework, providing a simple but effective way to fuse multiple sensors such as LiDAR, camera, and IMU sensors and achieve robust state estimation in perceptually-degraded environments. Different from traditional sensor-fusion methods, Super Odometry employs an IMU-centric data processing pipeline, which combines the advantages of loosely coupled methods with tightly coupled methods and recovers motion in a coarse-to-fine manner. The proposed framework is composed of three parts: IMU odometry, visual-inertial odometry, and laser-inertial odometry. The visual-inertial odometry and laser-inertial odometry provide the pose prior to constrain the IMU bias and receive the motion prediction from IMU odometry. To ensure high performance in real-time, we apply a dynamic octree that only consumes 10 % of the running time compared with a static KD-tree. The proposed system was deployed on drones and ground robots, as part of Team Explorer's effort to the DARPA Subterranean Challenge where the team won $1^{st}$ and $2^{nd}$ place in the Tunnel and Urban Circuits, respectively.

研究の動機と目的

• トンネル、暗室、ほこりの多い環境などの認知的劣化環境において、LiDAR 僅用、視覚 僅用、または緩い結合型センサフュージョン手法に見られる限界を解消すること。
• 従来の緩い結合型システムにおけるフレーム間推定の脆弱性や単一障害点のリスクを克服するため、フェイルセーフでスライディングウィンドウ最適化フレームワークを導入すること。
• IMU バイアス制約を視覚および LiDAR-慣性オドメトリによって実現することで、低特徴環境における LiDAR 依存度を最小限に抑え、リアルタイム性能と耐障害性を向上させること。
• タイトな結合型手法の精度と緩い結合型システムの耐障害性・モularity を併せ持つ、スケーラブルで拡張可能なセンサフュージョンパイプラインの開発

提案手法

• IMU オドメトリが高レートの運動予測を提供する IMU 中心のデータ処理パイプラインを設計し、視覚-慣性および LiDAR-慣性オドメトリが IMU バイアスを制約する姿勢事前分布を提供する。
• 3次元点群の整理に動的オクトリーデータ構造を実装し、静的 KD-Tree に比べて定数時間のツリー更新が可能となり、スキャンマッチングの計算量を顕著に削減する。
• スライディングウィンドウ制約を用いた要因グラフ最適化により、推定誤差からのフェイルセーフな回復を可能にし、センサドロップアウトや外れ値に対する耐性を向上させる。
• 主成分分析（PCA）に基づく特徴品質評価を用いて低品質な特徴をフィルタリングし、ノイズを除外することで、特徴が乏しいまたはごみだらけの環境での耐障害性を向上させる。
• 各サブモジュールのネイティブ周波数に合わせて制約をキャッシュし、小さなバッチで処理することで、非同期センサフュージョンを実現し、リアルタイム性能を向上させる。
• IMU、カメラ、LiDAR の複数のセンサモダリティを、各センサタイプの長所を活かしたハイブリッドな緩くタイトな結合アーキテクチャにより統合する。

実験結果

リサーチクエスチョン

• RQ1 IMU 中心の統合パイプラインは、従来の緩い結合型またはタイトな結合型手法に比べ、認知的劣化環境においてより高い精度と耐障害性を達成できるか？
• RQ2 動的オクトリーは、従来の KD-Tree 構造に比べて、LiDAR-慣性オドメトリにおけるリアルタイム性能をどのように向上させるか？
• RQ3 視覚-慣性および LiDAR-慣性オドメトリは、GPS 不利用で特徴が乏しい環境における IMU バイアス推定とドリフト低減にどの程度寄与できるか？
• RQ4 提案されたシステムは、急激な運動、低照度、および霧やほこりなどの空中障害物が存在する状況でも、高精度な状態推定を維持できるか？
• RQ5 非同期で要因グラフに基づく統合アーキテクチャは、逐次フレーム間推定と比較して、個々のセンサ障害に対する耐性をどのように向上させるか？

主な発見

• ロングコロシアムシーケンスにおいて、Super Odometry は並進 ATE RMSE 0.055 m を達成し、LOAM（4.15 m）、LIO-SAM（0.85 m）、VINS（5.83 m）、VINS-Depth（2.58 m）を大きく上回った。
• 暗室シーケンスでは、Super Odometry は並進 ATE RMSE 0.174 m を達成し、LOAM（0.263 m）、LIO-SAM（0.246 m）、VINS（0.527 m）、VINS-Depth（0.429 m）を上回った。
• ほこりの多い環境では、Super Odometry は LiDAR スキャンを平均 21 ms で処理したのに対し、LIO-SAM は 102 ms であった。動的オクトリーとノイズフィルタリングのおかげで処理時間が 5 倍速くなった。
• 動的オクトリーにより、フレーム数の増加に伴い指数関数的に増加する KD-Tree のツリー構築時間は、ほぼ定数時間にまで短縮され、高データレート環境でもリアルタイム性能を維持可能となった。
• IMU オドメトリから 1000 Hz の状態推定を達成し、DARPA Underground Challenge のアルファコースを含む多様なデータセットでリアルタイム性能を維持した。
• Super Odometry は、トンネル、垂直シャフト、長大なコロシアムなど、複雑で認知的劣化した環境を高精度にマップした。マルチロボットトラジェクトリ再構築と視覚的比較によってその有効性が検証された。