[논문 리뷰] Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM

Tong Qin, Perliang Li외 1명|arXiv (Cornell University)|2018. 03. 05.

Robotics and Sensor-Based Localization참고 문헌 23인용 수 8

한 줄 요약

이 논문은 실시간 단안 시각-자이로스코프 SLAM 시스템을 제안하며, 재정렬, 4-DOF 자세 그래프 최적화, 지도 융합을 통해 드리프트를 보정하고 전역 일관성을 달성한다. DBoW2를 활용한 루프 감지와 밀접하게 결합된 특징 수준 융합을 통해 이전에 구축한 지도를 재사용하고 실시간으로 새로운 데이터를 융합하며, EuRoC에서 500m의 궤적에서 평균 궤적 오차(Average Trajectory Error, ATE) 0.34m를 달성하고, 외부 환경에서 Google Maps와 정확한 정렬을 이룬다.

ABSTRACT

The monocular visual-inertial system (VINS), which consists one camera and one low-cost inertial measurement unit (IMU), is a popular approach to achieve accurate 6-DOF state estimation. However, such locally accurate visual-inertial odometry is prone to drift and cannot provide absolute pose estimation. Leveraging history information to relocalize and correct drift has become a hot topic. In this paper, we propose a monocular visual-inertial SLAM system, which can relocalize camera and get the absolute pose in a previous-built map. Then 4-DOF pose graph optimization is performed to correct drifts and achieve global consistent. The 4-DOF contains x, y, z, and yaw angle, which is the actual drifted direction in the visual-inertial system. Furthermore, the proposed system can reuse a map by saving and loading it in an efficient way. Current map and previous map can be merged together by the global pose graph optimization. We validate the accuracy of our system on public datasets and compare against other state-of-the-art algorithms. We also evaluate the map merging ability of our system in the large-scale outdoor environment. The source code of map reuse is integrated into our public code, VINS-Mono.

연구 동기 및 목표

• 단안 시각-자이로스코프 온도메트리에서 드리프트 누적 문제를 해결하기 위해 전역 자세 보정과 절대 자세 추정 기능을 제공한다.
• 기존에 구축한 지도에서 카메라의 재정렬을 가능하게 하여 초기 위치와 관계없이 절대 자세 추정이 가능하도록 한다.
• 다른 시퀀스와 시간대에 수집된 여러 시각-자이로스코프 시퀀스를 통합하여 지도를 점진적으로 융합함으로써 장기적인 지도 진화를 지원한다.
• 지속적인 저장 및 자세 그래프 로딩을 통해 효율적인 지도 재사용을 제공함으로써 실시간 운영을 가능하게 한다.
• 실시간 4-DOF 자세 그래프 최적화를 통해 대규모 환경에서 전역 일관성을 달성한다.

제안 방법

• 루프 클로징을 감지하기 위해 이미지 검색을 위해 DBoW2를 사용한다.
• 단안 VIO와 검색된 지도 특징 간의 밀접하게 결합된 특징 수준 융합을 통해 재정렬을 수행한다.
• 시각-자이로스코프 시스템이 일반적으로 드리프트가 발생하는 방향(세로, 수평, 자세)을 보정하기 위해 4-DOF 자세 그래프 최적화(x, y, z, yaw)를 적용한다.
• 이전에 구축한 지도를 다양한 시스템 실행 간에 재사용할 수 있도록 자세 그래프를 효율적으로 저장하고 로드한다.
• 기하학적으로 검증된 루프 클로징과 전역 최적화를 통해 새로운 지도 시퀀스를 기존 지도에 점진적으로 융합한다.
• 실시간 상태 추정을 위해 하드웨어 동기화된 단안 카메라와 저비용 자이로스코프(ADXL278/ADXRS290)를 활용한다.

실험 결과

연구 질문

• RQ1 단안 시각-자이로스코프 SLAM 시스템이 이전에 구축된 지도에서 정확한 재정렬을 수행하여 절대 자세를 복구할 수 있는가?
• RQ2 6-DOF 최적화에 비해 4-DOF 자세 그래프 최적화(x, y, z, yaw)는 시각-자이로스코프 시스템의 드리프트를 얼마나 효과적으로 보정하는가?
• RQ3 다른 시간대에 수집된 여러 시각-자이로스코프 시퀀스를 일관되고 전역적으로 정렬된 지도로 융합할 수 있는가?
• RQ4 재정렬 및 전역 최적화를 수행하면서도 시스템이 실시간 성능을 얼마나 유지할 수 있는가?
• RQ5 궤적의 변화가 크고 초기 자세가 알려지지 않은 대규모 외부 환경에서 시스템의 성능은 얼마나 우수한가?

주요 결과

• EuRoC 데이터셋의 다섯 개 시퀀스를 융합한 500미터 궤적에서 평균 궤적 오차(Average Trajectory Error, ATE) 0.34m를 달성하여 전역 일관성에서 높은 정확도를 입증한다.
• 제안된 4-DOF 자세 그래프 최적화는 단안 시각-자이로스코프 시스템에서 주로 발생하는 x, y, z, yaw 방향의 드리프트를 효과적으로 보정한다.
• 외부 환경에서 융합된 궤적을 Google Maps와 정확하게 정렬하여 실생활 적용 가능성과 전역 일관성을 검증한다.
• 지도 재사용과 점진적 융합이 효율적으로 이루어지며, 자세 그래프 저장과 로딩 시간이 각각 907ms와 4464ms로 측정되어 지속적인 지도 진화를 가능하게 한다.
• 표준 데스크톱 컴퓨터에서 실시간으로 실행되며, 루프 클로징당 자세 그래프 최적화 소요 시간은 186ms, VIO 처리 속도는 10Hz이다.
• 특징 수준 융합을 통해 실시간으로 재정렬이 성공적으로 수행되어 초기 위치가 알려지지 않은 상황에서도 절대 자세 추정이 가능하다.