[논문 리뷰] Continuous Preintegration Theory for Graph-based Visual-Inertial Navigation.

Kevin Eckenhoff, Patrick Geneva외 1명|arXiv (Cornell University)|2018. 05. 07.

Robotics and Sensor-Based Localization참고 문헌 33인용 수 6

한 줄 요약

이 논문은 그래프 기반 시각-자이로스코픽 항법을 위한 연속형 사전통합 이론을 제안하며, 조각별로 일정한 측정값과 조각별로 일정한 국부적 진짜 가속도라는 두 가지 새로운 자이로스코픽 모델 하에서 사전통합 방정식을 해석적으로 해석하는 닫힌 형태의 해를 도출한다. 이 방법은 상태 추정 정확도를 향상시키며, 실세계 실험에서 경쟁 가능한 성능을 달성하는 타이트하게 결합된 및 루프된 VINS 시스템을 가능하게 한다.

ABSTRACT

In this paper we propose a new continuous preintegration theory for graph-based sensor fusion with an inertial measurement unit (IMU) and a camera (or other aiding sensors). Rather than using discrete sampling of the measurement dynamics as in current methods, we analytically derive the closed-form solutions to the preintegration equations, yielding improved accuracy in state estimation. We advocate two new different inertial models for preintegration: (i) the model that assumes piecewise constant measurements, and (ii) the model that assumes piecewise constant local true acceleration. We show through extensive Monte-Carlo simulations the effect that the choice of preintegration model has on estimation performance. To validate the proposed preintegration theory, we develop both direct and indirect visual-inertial navigation systems (VINS) that leverage our preintegration. In the first, within a tightly-coupled, sliding-window optimization framework, we jointly estimate the features in the window and the IMU states while performing marginalization to bound the computational cost. In the second, we loosely couple the IMU preintegration with a direct image alignment that estimates relative camera motion by minimizing the photometric errors (i.e., raw image intensity difference), allowing for efficient and informative loop closures. Both systems are extensively tested in real-world experiments and are shown to offer competitive performance to state-of-the-art methods.

연구 동기 및 목표

• 기존의 사전통합 방법에서의 이산 샘플링의 한계를 해결한다.
• 사전통합 방정식에 대한 연속적이고 닫힌 형태의 해를 도출하여 그래프 기반 센서 융합에서의 추정 정확도를 향상시킨다.
• 사전통합을 위한 두 가지 새로운 자이로스코픽 모델—조각별 일정한 측정값과 조각별 일정한 국부적 진짜 가속도—을 개발하고 평가한다.
• 실세계 시나리오에서 타이트하게 결합된 및 루프된 시각-자이로스코픽 항법 시스템을 통해 제안된 이론을 검증한다.
• 광범위한 시뮬레이션과 실세계 실험을 통해 최첨단 방법과 경쟁 가능한 성능을 보여준다.

제안 방법

• 이산적으로가 아니라 연속적으로 관성 측정 장치 동역학을 모델링하여 사전통합 방정식에 대한 닫힌 형태의 해석적 해를 유도한다.
• 두 가지 자이로스코픽 사전통합 모델을 제안한다: 하나는 조각별 일정한 IMU 측정값을 가정하고, 다른 하나는 조각별 일정한 국부적 진짜 가속도를 가정한다.
• 연속형 사전통합 이론을 타이트하게 결합된 슬라이딩 윈도우 최적화 프레임워크에 통합하여 특징과 IMU 상태를 함께 추정하고, 마진화를 수행한다.
• 사전통합된 IMU 데이터를 직접적인 영상 정렬 기반의 광학 오차 최소화 기법과 융합하는 루프된 시스템을 구현하여 효율적인 루프 닫기 기능을 구현한다.
• 몬테카를로 시뮬레이션을 활용하여 사전통합 모델 선택이 추정 성능에 미치는 영향을 평가한다.
• 연속형 사전통합 프레임워크를 활용하여 직접적이고 간접적인 VINS 파이프라인 양쪽 모두의 정확도와 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 연속형 사전통합과 닫힌 형태의 해를 통한 추정 정확도 향상은 시각-자이로스코픽 항법에서 이산 샘플링 대비 어떻게 향상되는가?
• RQ2 조각별 일정한 측정값 모델과 조각별 일정한 국부적 진짜 가속도 모델 간의 사전통합에서의 성능 차이는 어떠한가?
• RQ3 연속형 사전통합은 실세계 시나리오에서 타이트하게 결합된 및 루프된 시각-자이로스코픽 시스템 모두를 향상시킬 수 있는가?
• RQ4 제안된 사전통합 이론은 직접 VINS에서 효율적이고 정보적인 루프 닫기에 어떻게 기여하는가?
• RQ5 그래프 기반 센서 융합에서 관성 모델의 선택은 전체 상태 추정 정확도에 얼마나 큰 영향을 미치는가?

주요 결과

• 닫힌 형태의 해를 통한 연속형 사전통합 이론은 기존의 이산 샘플링 방법에 비해 향상된 상태 추정 정확도를 제공한다.
• 몬테카를로 시뮬레이션에서 조각별 일정한 국부적 진짜 가속도 모델이 뛰어난 성능을 보이며, 실제 자이로스코픽 장치의 동역학을 모델링하는 데 효과적임을 입증한다.
• 제안된 이론 기반의 타이트하게 결합된 및 루프된 VINS 시스템은 최첨단 방법과 비교해도 경쟁 가능한 성능을 달성한다.
• 루프된 시스템은 광학 오차 최소화 기반의 직접적 영상 정렬을 통해 효율적이고 정보적인 루프 닫기를 가능하게 한다.
• 광범위한 실세계 실험을 통해 제안된 사전통합 프레임워크의 강건성과 실용적 타당성이 다양한 환경에서 확인되었다.
• 사전통합 방정식의 해석적 유도 과정은 수치 근사의 필요성을 제거하여 상태 추정의 일관성과 정확도를 향상시킨다.