[논문 리뷰] MINS: Efficient and Robust Multisensor-aided Inertial Navigation System
이 논문은 연속시간 필터링 프레임워크 내에서 관성측정단위(IMU), 휠엔코더, 카메라, 라이다, GNSS를 밀접하게 융합하는 MINS를 제안한다. 이는 효율적이고 강건한 다중센서 보조 관성항법시스템이다. 고차원 다양체 보간, 동적 클로닝을 통한 적응형 계산 복잡도 제어, 온라인 공간-시간 캘리브레이션, IMU-휠 오직 초기화 방법을 도입하여, 센서 장애나 동적 조건 하에서도 최신 기술 수준의 정확도, 일관성 및 실시간 성능을 달성하면서 최소한의 계산 자원을 사용한다.
Robust multisensor fusion of multi-modal measurements such as IMUs, wheel encoders, cameras, LiDARs, and GPS holds great potential due to its innate ability to improve resilience to sensor failures and measurement outliers, thereby enabling robust autonomy. To the best of our knowledge, this work is among the first to develop a consistent tightly-coupled Multisensor-aided Inertial Navigation System (MINS) that is capable of fusing the most common navigation sensors in an efficient filtering framework, by addressing the particular challenges of computational complexity, sensor asynchronicity, and intra-sensor calibration. In particular, we propose a consistent high-order on-manifold interpolation scheme to enable efficient asynchronous sensor fusion and state management strategy (i.e. dynamic cloning). The proposed dynamic cloning leverages motion-induced information to adaptively select interpolation orders to control computational complexity while minimizing trajectory representation errors. We perform online intrinsic and extrinsic (spatiotemporal) calibration of all onboard sensors to compensate for poor prior calibration and/or degraded calibration varying over time. Additionally, we develop an initialization method with only proprioceptive measurements of IMU and wheel encoders, instead of exteroceptive sensors, which is shown to be less affected by the environment and more robust in highly dynamic scenarios. We extensively validate the proposed MINS in simulations and large-scale challenging real-world datasets, outperforming the existing state-of-the-art methods, in terms of localization accuracy, consistency, and computation efficiency. We have also open-sourced our algorithm, simulator, and evaluation toolbox for the benefit of the community: https://github.com/rpng/mins.
연구 동기 및 목표
- 실시간으로 다섯 가지 일반적인 항법 센서(IMU, 휠엔코더, 카메라, 라이다, GNSS)를 융합하는 효율적이고 밀착된 다중센서 융합 시스템의 부족을 해결하기 위해.
- 장기 운영 중 이질적인 센서 데이터, 높은 계산 복잡도, 시간에 따라 변하는 센서 캘리브레이션 등의 과제를 극복하기 위해.
- 고역동성 또는 외부 센서 성능이 떨어지는 환경에서 자가 감지 센서(IMU 및 휠엔코더)만으로도 강건한 초기화 방법을 개발하기 위해.
- 경로 표현 오차를 최소화하면서도 계산 효율성을 유지하는 일관되고 고차원의 다양체 상태 보간을 실현하기 위해.
- 기존 캘리브레이션의 열악함이나 드리프트가 있는 상황에서도 정확도를 유지하기 위해 온라인 내재 및 외재(공간-시간) 캘리브레이션을 제공하기 위해.
제안 방법
- 비동기 및 지연 측정에 대해 계산 복잡도를 감소시키기 위해 연속시간 상태 표현을 제안한다.
- 비동기 센서 업데이트 간의 상태 추정에서 일관성과 정확도를 보장하는 고차원 다각형 보간 기법을 도입한다.
- 운동 동역학에 따라 보간 순서를 적응적으로 조정함으로써 계산 부하와 경로 무결성 간의 균형을 이루는 동적 클로닝 알고리즘을 개발한다.
- 기존 캘리브레이션에 의존하지 않고 시간에 따라 변하는 비율 및 오차를 보정하기 위해 모든 센서에 대해 온라인 내재 및 외재 캘리브레이션을 구현한다.
- 자기 감지 센서(IMU 및 휠엔코더 데이터만 사용)를 기반으로 한 새로운 초기화 기법을 설계하여 고역동성 또는 외부 센서 성능이 떨어지는 환경에서 강건한 시스템 기동을 가능하게 한다.
- 측정 압축과 EKF 업데이트에서 작은 상태 크기를 활용하여 낮은 계산 오버헤드를 유지하며, 센서 수에 관계없이 EKF 업데이트당 오직 1 ms의 시간만 소요된다.
실험 결과
연구 질문
- RQ1밀착된 다중센서 융합 시스템이 실시간으로 다섯 가지 일반적인 항법 센서(IMU, 휠엔코더, 카메라, 라이다, GNSS)를 효율적이고 강건하게 융합할 수 있는가?
- RQ2연속시간 상태 보간에 기인한 경로 표현 오차를 최소화하면서도 계산 효율성을 유지할 수 있는가?
- RQ3온라인 공간-시간 캘리브레이션은 장기적인 자율 주행 운영 중 열악하거나 드리프트하는 센서 캘리브레이션에 대한 강건성을 향상시킬 수 있는가?
- RQ4고역동성 또는 외부 센서 성능이 떨어지는 상황에서 자가 감지 센서(IMU 및 휠엔코더)만으로도 신뢰할 수 있는 시스템 초기화가 가능한가?
- RQ5동적 클로닝이 추정 정확도나 일관성에 손상을 주지 않으면서 계산 복잡도를 얼마나 줄일 수 있는가?
주요 결과
- MINS는 센서 수에 관계없이 항상 EKF 업데이트 시간이 1 ms로 유지되어 뛰어난 계산 효율성을 입증한다.
- 센서의 冗餘성과 강력한 융합 덕분에 GNSS 장애, 라이다 성능 저하, 카메라 가림 등의 다양한 환경에서도 일관된 성능을 유지한다.
- 동적 클로닝 알고리즘이 계산 부하를 효과적으로 줄이며 경로 정확도를 유지하여 고정 순서 보간보다 무결성과 효율성 면에서 뛰어나다.
- 온라인 캘리브레이션은 시간에 따라 변하는 센서 비율이나 열악한 초기 캘리브레이션 상황에서 추정의 일관성과 정확도를 크게 향상시킨다.
- IMU-휠 오직 초기화 방법은 외부 센서가 실패하는 고역동성 환경에서도 성공적인 시스템 기동을 가능하게 하여, 이러한 조건에서 기존 방법보다 뛰어난 성능을 보였다.
- KAIST 도시 38 데이터셋에서의 벤치마킹 결과, MINS는 다양한 센서 구성에서 총 계산 시간이 54–47 ms로 나타났으며, 평가된 모든 방법 중 두 번째로 빠른 속도를 기록했고, 센서 수에 따른 변동이 최소였다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.