[논문 리뷰] GVINS: Tightly Coupled GNSS-Visual-Inertial Fusion for Smooth and Consistent State Estimation

Shaozu Cao, Xiuyuan Lu외 1명|arXiv (Cornell University)|2021. 03. 14.

Robotics and Sensor-Based Localization인용 수 8

한 줄 요약

GVINS는 원시 GNSS 도플러 및 측距 측정값을 시각-자이로스코픽 오도메트리(VIO)와 밀접하게 융합하는 비선형 최적화 기반 융합 시스템을 제안하여 드리프트 없고 글로벌 일관성 있는 6-자유도 상태 추정을 달성한다. 굵은-세밀한 온라인 초기화와 확률적 요소 그래프 프레임워크를 통해 GVINS는 간헐적인 GNSS, 노이즈가 많은 측정값, 도시 환경과 같은 도전적인 조건에서도 지역 정확도와 글로벌 일관성을 유지하며, 하위 미터 수준의 위치 오차와 실시간 성능을 달성한다.

ABSTRACT

Visual-Inertial odometry (VIO) is known to suffer from drifting especially over long-term runs. In this paper, we present GVINS, a non-linear optimization based system that tightly fuses GNSS raw measurements with visual and inertial information for real-time and drift-free state estimation. Our system aims to provide accurate global 6-DoF estimation under complex indoor-outdoor environment where GNSS signals may be intermittent or even totally unavailable. To connect global measurements with local states, a coarse-to-fine initialization procedure is proposed to efficiently calibrate the transformation online and initialize GNSS states from only a short window of measurements. The GNSS code pseudorange and Doppler shift measurements, along with visual and inertial information, are then modelled and used to constrain the system states in a factor graph framework. For complex and GNSS-unfriendly areas, the degenerate cases are discussed and carefully handled to ensure robustness. Thanks to the tightly-coupled multi-sensor approach and system design, our system fully exploits the merits of three types of sensors and is capable to seamlessly cope with the transition between indoor and outdoor environments, where satellites are lost and reacquired. We extensively evaluate the proposed system by both simulation and real-world experiments, and the result demonstrates that our system substantially eliminates the drift of VIO and preserves the local accuracy in spite of noisy GNSS measurements. The challenging indoor-outdoor and urban driving experiments verify the availability and robustness of GVINS in complex environments. In addition, experiments also show that our system can gain from even a single satellite while conventional GNSS algorithms need four at least.

연구 동기 및 목표

• 동적 환경에서 장기간 운영 시 발생하는 시각-자이로스코픽 오도메트리(VIO)의 본질적 드리프트 문제를 해결하기 위해.
• 도시 간이 또는 실내-실외 전환과 같이 GNSS 신호가 간헐적이거나 열악한 상황에서 강력하고 실시간 상태 추정을 가능하게 하기 위해.
• 사전 캘리브레이션 없이도 온라인에서 국소 VIO 프레임과 글로벌 GNSS 프레임 간 4-자유도 변환을 캘리브레이션할 수 있는 초기화 방법을 개발하기 위해.
• 순수한 회전과 같은 열악한 운동 조건과 최소한의 위성 시야(최소 1개 위성) 상황에서도 시스템의 강건성을 확보하기 위해.
• 시각 및 자이로스코픽 데이터와 함께 원시 GNSS 측정값을 밀착 융합하여 높은 지역 정확도를 유지하면서도 글로벌 일관성을 확보하기 위해.

제안 방법

• 단일 GNSS 측정값 윈도우만을 사용하여 국소 VIO 프레임과 글로벌 GNSS 프레임 간 4-자유도 변환을 온라인으로 추정하기 위해 굵은-세밀한 초기화 절차를 사용한다.
• 원시 GNSS 측정값—코드 측距 및 도플러 이동—을 요소 그래프 내 확률적 요소로 모델링하여 상태 추정 과정을 제약한다.
• 비선형 최적화 프레임워크 내에서 시각, 자이로스코픽, 원시 GNSS 측정값을 밀착 융합하는 슬라이딩 윈도우 최적화 프레임워크를 통해 정확도와 일관성을 향상시킨다.
• 순수한 회전 또는 위성 수가 적은 경우와 같은 열악한 경우를 명시적으로 모델링하고 처리하여 관측 가능성과 시스템 안정성을 유지한다.
• 스무스함과 글로벌 일관성을 보장하기 위해 상태 경로를 동시에 최적화하는 확률적 요소 그래프 설정을 사용한다.
• GNSS 장애 및 재수신을 원활하게 처리할 수 있도록 설계되어 실내-실외 전환 중에도 연속성을 유지한다.

실험 결과

연구 질문

• RQ1 원시 GNSS 측정값을 사용하는 밀착 융합 프레임워크가 장기간 운영 시 VIO의 드리프트를 현저히 감소시킬 수 있는가?
• RQ2 사전 캘리브레이션 없이도 국소 VIO와 글로벌 GNSS 프레임 간 변환을 신뢰성 있게 온라인으로 초기화할 수 있는가?
• RQ3 GNSS 신호가 노이즈가 많거나 간헐적이거나 최소 1개 위성으로 제한될 경우 시스템이 정확도와 일관성을 어느 정도 유지할 수 있는가?
• RQ4 순수한 회전 또는 저운동 조건과 같은 열악한 운동 조건에서 시스템의 성능은 어떠한가?
• RQ5 복잡한 도시 환경과 실내-실외 전환 환경에서 실시간 성능을 유지를 하면서도 높은 정확도와 강건성을 확보할 수 있는가?

주요 결과

• GVINS는 VIO 초기화 후 2.0초 이내에 국소 및 글로벌 프레임 간 4-자유도 변환을 성공적으로 초기화하여 즉각적인 글로벌 정렬을 가능하게 한다.
• 어려운 도시 주행 실험에서 GVINS는 모든 ENU 축에서 위치 오차의 평균제곱근오차(RMSE)가 1미터 이하로 유지되며, 심한 다중경로 및 신호 장애 상황에서도 안정성을 확보한다.
• GVINS는 위치 오차가 경계되어 있으며 천천히 변동하는 경향을 보이며, 고층 건물이 많은 도시 지역에서 RTKLIB는 100미터 이상의 극심한 오차를 기록하는 반면 GVINS는 큰 진동 없이 안정성을 유지한다.
• GVINS는 평균 프레임당 최적화 시간이 21.91ms로, 특히 장거리 경로에서 VINS-Fusion의 평균 404.83ms보다 훨씬 낮아 실시간 성능을 확보한다.
• GVINS는 단 한 개의 위성만 시야에 들어와도 강건성을 유지를 하며, 기존 GNSS 알고리즘은 최소 4개 위성이 필요하다.
• GVINS와 RTK의 최종 경로를 Google Maps에 겹쳐보면 RTK의 끊어진 경로가 명확히 드러나며, GVINS의 연속성과 일관성을 확인할 수 있다.