[論文レビュー] Trifo-VIO: Robust and Efficient Stereo Visual Inertial Odometry using Points and Lines

Feng Zheng, Grace Tsai+4 more|arXiv (Cornell University)|Mar 6, 2018

Robotics and Sensor-Based Localization参考文献 29被引用数 5

ひとこと要約

Trifo-VIO は、点と線分特徴を統合的に活用することで、低テクスチャまたは照明が困難な環境でも高い耐障害性を発揮する、密結合型でフィルタリングベースのステレオ視覚慣性オドメトリーシステムである。本手法は、スライディングウィンドウを過去のキーフレームに最適に再配置する軽量で EKF ベースのループクロージャー手法を導入し、グローバル最適化を用いずにドリフトを顕著に低減する。また、EuRoC および新たに公開された Trifo Ironsides データセットにおいて、最先端の性能を達成している。

ABSTRACT

In this paper, we present the Trifo Visual Inertial Odometry (Trifo-VIO), a tightly-coupled filtering-based stereo VIO system using both points and lines. Line features help improve system robustness in challenging scenarios when point features cannot be reliably detected or tracked, e.g. low-texture environment or lighting change. In addition, we propose a novel lightweight filtering-based loop closing technique to reduce accumulated drift without global bundle adjustment or pose graph optimization. We formulate loop closure as EKF updates to optimally relocate the current sliding window maintained by the filter to past keyframes. We also present the Trifo Ironsides dataset, a new visual-inertial dataset, featuring high-quality synchronized stereo camera and IMU data from the Ironsides sensor [3] with various motion types and textures and millimeter-accuracy groundtruth. To validate the performance of the proposed system, we conduct extensive comparison with state-of-the-art approaches (OKVIS, VINS-MONO and S-MSCKF) using both the public EuRoC dataset and the Trifo Ironsides dataset.

研究の動機と目的

• 点特徴が失敗する低テクスチャまたは動的照明環境におけるステレオ視覚慣性オドメトリの耐障害性を向上させること。
• 高コストなバndlle adjustment やポーズグラフ最適化に依存せず、長期的なドリフトを低減する軽量でフィルタリングベースのループクロージャー機構を開発すること。
• 新しい高精度で同期されたステレオカメラおよび IMU データセット（Trifo Ironsides）を提供し、多様な運動およびテクスチャ条件下での VIO システムの評価を可能にすること。
• 点と線分の両方を用いた密結合型フィルタリングベースの VIO が、最良の最適化ベース手法と同等またはそれ以上の性能を達成できることを実証すること。

提案手法

• 本システムは、スライディングウィンドウ上でステレオ点特徴および線分特徴を処理するためのマルチステート制約カルマンフィルタ（MSCKF）を採用しており、特徴数に比例する線形計算コストを維持する。
• 線分特徴はエッジ検出を用いて抽出され、線分にフィッティングされた後、特徴が乏しい状況での運動制約の向上を目的に状態推定プロセスに統合される。
• 本手法は、検出されたループクロージャーのキーフレームに現在のスライディングウィンドウを最適に再配置する EKF 更新として定式化された、新規なループクロージャー技術を採用している。これにより、グローバル最適化を用いずにドリフトを最小限に抑える。
• 視覚的および慣性的測定値が密結合型フィルタリングフレームワーク内で測定レベルで統合され、リアルタイムかつ高精度な状態推定が可能になる。
• Trifo Ironsides データセットは、高精度な 6 軸ロボットアーム上に同期されたステレオカメラと IMU を用いて収録され、ミリメートルレベルの高精度な真値が提供される。
• 点および線分特徴のトラッキング、状態推定、ループクロージャーのすべてのモジュールが、一貫性と効率性を確保するための単一の EKF フレームワークに統合されている。

実験結果

リサーチクエスチョン

• RQ1 線分特徴の統合が、低テクスチャまたは照明が困難な環境下でのステレオ VIO の耐障害性を顕著に向上させることができるか？
• RQ2 軽量でフィルタリングベースのループクロージャー手法が、グローバルなバndlle adjustment やポーズグラフ最適化に依存せず、長期的なドリフトを効果的に低減できるか？
• RQ3 点と線分の両方を用いた密結合型フィルタリングベースの VIO は、最先端の最適化ベース VIO システムと比較して、精度および効率性の面で優れているか？
• RQ4 新規の Trifo Ironsides データセットは、多様な運動プロファイルおよびテクスチャ条件下での VIO システムの信頼性の高い評価をどの程度可能にするか？

主な発見

• Trifo-VIO は、EuRoC データセットにおいて最先端の性能を達成し、絶対軌道 RMSE において OKVIS、VINS-MONO、S-MSCKF よりも優れている。
• Trifo Ironsides データセットでは、Trifo-VIO は一貫して上位2位以内にランクインし、特に高速な運動と低テクスチャを特徴とする最も挑戦的なシーケンス（PI_3058）で顕著な性能を示している。
• 線分特徴の活用により、OKVIS などの点特徴のみの手法が失敗するような低テクスチャまたは繰り返しのテクスチャ環境でも、Trifo-VIO は安定したトラッキングを維持できる。
• 提案された EKF ベースのループクロージャー手法は、蓄積されたドリフトを効果的に低減しており、高価な最適化を用いずに、軽量でフィルターネイティブなループクロージャーが顕著なドリフト低減を達成できることを示している。
• Trifo Ironsides データセットは、高精度なミリメートルレベルの真値を提供しており、多様な運動プロファイルおよび環境的条件下での VIO システムの評価に適している。
• Trifo-VIO は、ステレオまたは時間的データのフレームドロップに対しても耐障害性が高く、EuRoC の問題のある V2_03 シーケンスにおいても安定した性能を示しており、OKVIS が失敗する状況でも動作を維持している。