[논문 리뷰] Robocentric Visual-Inertial Odometry

Zheng Huai, Guoquan Huang|arXiv (Cornell University)|2018. 05. 10.

Robotics and Sensor-Based Localization참고 문헌 34인용 수 6

한 줄 요약

이 논문은 고정된 전역 프레임 대신 움직이는 국소 IMU 프레임을 기준으로 시각-자이로스코픽 항법을 수식화하는 로보센트릭 시각-자이로스코픽 오도메트리(R-VIO) 알고리즘을 제안한다. 세계 중심의 VINS에서 내재된 관측 가능성 불일치 문제를 피하고 평면 운동과 같은 열악한 운동 상황에서도 뛰어난 성능을 발휘함으로써, R-VIO는 더 높은 일관성, 정확도 및 효율성을 달성한다. 실도로 도시 주행 및 시뮬레이션 테스트에서 최신 기술 수준의 성능을 입증하였으며, 계산 비용도 낮다.

ABSTRACT

In this paper, we propose a novel robocentric formulation of the visual-inertial navigation system (VINS) within a sliding-window filtering framework and design an efficient, lightweight, robocentric visual-inertial odometry (R-VIO) algorithm for consistent motion tracking even in challenging environments using only a monocular camera and a 6-axis IMU. The key idea is to deliberately reformulate the VINS with respect to a moving local frame, rather than a fixed global frame of reference as in the standard world-centric VINS, in order to obtain relative motion estimates of higher accuracy for updating global poses. As an immediate advantage of this robocentric formulation, the proposed R-VIO can start from an arbitrary pose, without the need to align the initial orientation with the global gravitational direction. More importantly, we analytically show that the linearized robocentric VINS does not undergo the observability mismatch issue as in the standard world-centric counterpart which was identified in the literature as the main cause of estimation inconsistency. Additionally, we investigate in-depth the special motions that degrade the performance in the world-centric formulation and show that such degenerate cases can be easily compensated in the proposed robocentric formulation, without resorting to additional sensors as in the world-centric formulation, thus leading to better robustness. The proposed R-VIO algorithm has been extensively tested through both Monte Carlo simulations and real-world experiments with different sensor platforms navigating in different environments, and shown to achieve better (or competitive at least) performance than the state-of-the-art VINS, in terms of consistency, accuracy and efficiency.

연구 동기 및 목표

• 표준 세계 중심의 시각-자이로스코픽 항법 시스템(VINS)에서 발생하는 일관성 부족 및 관측 가능성 불일치 문제를 해결하기 위해.
• 추가 센서 없이도 평면 운동과 같은 열악한 운동 시나리오에서도 견고한 운동 추적을 가능하게 하기 위해.
• 전역 중력 방향에 대칭되지 않은 임의의 초기 자세에서 시작할 수 있으며, 전역 중력에 대응하는 정렬이 필요 없는 경량 실시간 시각-자이로스코픽 오도메트리 시스템을 개발하기 위해.
• 단일 카메라와 6축 IMU만을 사용하여 동적이고 도전적인 환경에서 추정의 일관성과 정확도를 향상시키기 위해.
• 다양한 센서 플랫폼과 환경에서 광범위한 몬테카를로 시뮬레이션과 실제 실험을 통해 제안된 방법을 검증하기 위해.

제안 방법

• R-VIO 알고리즘은 슬라이딩 윈도우 확장된 칼만 필터(EKF)를 사용하며, 상태 추정치를 고정된 전역 프레임이 아닌 움직이는 국소 IMU 프레임 기준으로 표현하는 로보센트릭 수식을 적용한다.
• 이 방법은 고정된 슬라이딩 윈도우 내에서 수백 개의 특징을 효율적으로 관리하기 위해 확률적 클로닝(stochastic cloning)을 활용하여, 특징 수 증가에도 불구하고 계산 효율성을 유지한다.
• 수치적 안정성 향상과 정적 단계에서의 스케일 모호성 처리를 위해 특징 표현에 역깊이(parameterization)를 사용한다.
• 직접적인 EKF 프레임워크 내에서 시각적 측정치와 자이로스코픽 측정치를 융합함으로써, 국소 프레임을 이동시키기 위한 조합 단계가 필요 없도록 한다.
• 저운동 단계에서는 계산 부담을 줄이고 고운동 사건(예: 급가속 또는 감속) 동안에는 높은 정확도를 유지하기 위해 적응형 업데이트 레이트 전략을 구현한다.
• 상태 벡터 내에서 국소 중력과 IMU 오프셋을 함께 추정함으로써 스케일 드리프트에 대한 저항력을 높이고 z축 안정성을 향상시킨다.

실험 결과

연구 질문

• RQ1 로보센트릭 VINS 수식이 세계 중심의 EKF 기반 VINS 시스템에서 발생하는 관측 가능성 불일치 문제를 제거할 수 있는가?
• RQ2 표준 VINS에서 스케일 관측 가능성이 상실되는 평면 운동과 같은 열악한 운동 시나리오에서 제안된 R-VIO의 성능은 어떠한가?
• RQ3 R-VIO는 전역 중력 방향에 대응하는 정렬 없이도 고정밀하고 일관된 운동 추적을 달성할 수 있는가?
• RQ4 적응형 업데이트 레이트 스케줄링 전략이 동적 주행 시나리오에서 추정 정확도와 계산 효율성에 미치는 영향은 어떠한가?
• RQ5 다양한 실제 환경에서 최신 기술 수준의 VINS 방법과 비교해 R-VIO는 일관성, 정확도 및 실시간 성능 측면에서 어떤가?

주요 결과

• 도시 주행 테스트에서 R-VIO는 적응형 업데이트 레이트를 사용하여 평균 위치 RMSE가 x축 24.222m, y축 18.901m, z축 7.689m를 기록했으며, 총 이동 거리의 0.32%에 해당했다.
• 적응형 업데이트 레이트는 9.8km 주행 동안 평균 드리프트를 5.917m로 줄였으며, 고속(8.274m)과 저속(5.992m) 업데이트 레이트 설정보다 뛰어난 성능을 보였다.
• 고속 주행 단계(86km/h로 가속)에서는 높은 업데이트 레이트(15Hz)를 사용할 경우 실제 궤적을 거의 완벽하게 추적하며 뛰어난 성능을 보였다.
• 감속 단계에서는 저속 업데이트 레이트가 스케일 드리프트를 효과적으로 보완하여 고속 업데이트보다 더 정확한 장기적 궤적 추정을 가능하게 했다.
• 프레임당 평균 처리 시간은 59.3ms였으며, 이 중 54.8ms는 시각 추적 및 특징 관리에, 4.5ms는 EKF 업데이트에 소요되어 실시간 실행 가능성은 확인되었다.
• 제안된 로보센트릭 수식은 평면 운동 조건에서도 세계 중심 VINS에서 발생하는 관측 가능성 불일치 문제를 분석적으로 피함으로써, 추가 센서 없이도 성능 향상을 달성한다.