[논문 리뷰] DynaVINS: A Visual-Inertial SLAM for Dynamic Environments

Seungwon Song, Hyungtae Lim외 2명|arXiv (Cornell University)|2022. 08. 24.

Robotics and Sensor-Based Localization인용 수 9

한 줄 요약

DynaVINS는 실생활 환경에서 동적 객체 및 일시적으로 정적인 객체로 인한 오차를 완화하는 강력한 시각-자이로스코프 SLAM 프레임워크를 제안한다. 자이로스코프 센서의 사전 통합을 통해 자세 사전 정보를 제공하고, 동적 특징을 거부하는 강력한 번들 조정을 적용하며, 키프레임 그룹화와 다중 가설 제약 선택 기법을 사용함으로써, 최신 기술 대비 동적 환경에서 뛰어난 정확도와 안정성을 확보한다.

ABSTRACT

Visual inertial odometry and SLAM algorithms are widely used in various fields, such as service robots, drones, and autonomous vehicles. Most of the SLAM algorithms are based on assumption that landmarks are static. However, in the real-world, various dynamic objects exist, and they degrade the pose estimation accuracy. In addition, temporarily static objects, which are static during observation but move when they are out of sight, trigger false positive loop closings. To overcome these problems, we propose a novel visual-inertial SLAM framework, called DynaVINS, which is robust against both dynamic objects and temporarily static objects. In our framework, we first present a robust bundle adjustment that could reject the features from dynamic objects by leveraging pose priors estimated by the IMU preintegration. Then, a keyframe grouping and a multi-hypothesis-based constraints grouping methods are proposed to reduce the effect of temporarily static objects in the loop closing. Subsequently, we evaluated our method in a public dataset that contains numerous dynamic objects. Finally, the experimental results corroborate that our DynaVINS has promising performance compared with other state-of-the-art methods by successfully rejecting the effect of dynamic and temporarily static objects. Our code is available at https://github.com/url-kaist/dynaVINS.

연구 동기 및 목표

• 시각-자이로스코프 SLAM 시스템에서 동적 객체로 인한 자세 추정 정확도 저하 문제를 해결하기 위해.
• 시야에서 사라지는 일시적으로 정적인 객체로 인해 유도되는 잘못된 루프 닫기(가짜 양성)를 완화하기 위해.
• 복잡한 동적 환경에서 정확도와 일관성을 유지할 수 있는 강력한 SLAM 프레임워크를 개발하기 위해.
• 새로운 최적화 및 제약 처리 기법을 통해 이동 중인 객체와 일시적으로 정적인 객체에 대한 시각-자이로스코프 오도메트리의 내성 강화를 위해.

제안 방법

• 자이로스코프 센서의 사전 통합을 활용해 신뢰할 수 있는 자세 사전 정보를 생성하고, 이 정보를 기반으로 번들 조정에서 특징 거부를 수행한다.
• IMU 기반 자세 사전 정보를 활용해 동적 객체의 특징을 거르는 강력한 번들 조정 방법을 도입한다.
• 운동 일관성 기반으로 프레임을 정렬함으로써 일시적으로 정적인 객체의 영향을 줄이기 위해 키프레임 그룹화를 적용한다.
• 다중 가설 기반 제약 그룹화 전략을 활용해 유효한 루프 닫기 후보만 평가하고 선택한다.
• 시각적 측정치와 자이로스코프 측정치를 융합하고 동적 객체 필터링을 통합한 하이브리드 최적화 프레임워크를 사용한다.
• 다양한 가설을 평가하는 루프 닫기 메커니즘을 구현해 일시적으로 정적인 객체로 인한 가짜 양성 루프 닫기를 방지한다.

실험 결과

연구 질문

• RQ1 실생활 환경에서 지속적인 동적 객체에 대해 어떻게 시각-자이로스코프 SLAM 시스템의 내성을 높일 수 있는가?
• RQ2 자세 추정 과정에서 이동 중인 객체의 특징을 효과적으로 탐지하고 거부할 수 있는 메커니즘은 무엇인가?
• RQ3 시야에서 빠지게 되는 일시적으로 정적인 객체가 잘못된 루프 닫기를 유도하는 것을 방지하는 방법은 무엇인가?
• RQ4 다중 가설 기반 제약 그룹화 기법이 동적 환경에서 루프 닫기 신뢰도를 향상시킬 수 있는가?
• RQ5 IMU 사전 통합 자세 사전 정보를 통합함으로써 동적 SLAM에서 내성은 어느 정도 향상되는가?

주요 결과

• DynaVINS는 최신 기술 대비 수많은 동적 객체가 존재하는 환경에서 자세 추정 오차를 크게 감소시킨다.
• IMU 기반 사전 정보를 활용한 번들 조정을 통해 동적 객체의 특징을 성공적으로 거부함으로써 궤적의 일관성이 향상된다.
• 키프레임 그룹화와 다중 가설 기반 제약 선택 전략이 일시적으로 정적인 객체로 인한 가짜 양성 루프 닫기를 효과적으로 억제한다.
• 고도로 동적인 콘텐츠를 포함한 공개 벤치마크에서 DynaVINS는 경쟁 기술 대비 더 낮은 이동 및 회전 오차를 기록한다.
• 실생활 시나리오, 특히 도심 및 실내 동적 환경에서 본 프레임워크는 강력한 성능을 보여준다.