[论文解读] IC-GVINS: A Robust, Real-time, INS-Centric GNSS-Visual-Inertial Navigation System for Wheeled Robot

Hailiang Tang, Tisheng Zhang+3 more|arXiv (Cornell University)|Apr 11, 2022

Robotics and Sensor-Based Localization被引用 6

一句话总结

IC-GVINS 是一种以惯性导航系统（INS）为中心的实时 GNSS-视觉-惯性导航系统，专为轮式机器人设计，通过因子图优化实现 IMU、视觉和 GNSS 测量的紧密融合。通过在整个视觉处理过程中利用高精度的 INS 状态，并使用 GNSS 进行初始化和绝对定位，该系统在存在运动物体的视觉退化环境中展现出卓越的鲁棒性和精度。

ABSTRACT

In this letter, we present a robust, real-time, inertial navigation system (INS)-Centric GNSS-Visual-Inertial navigation system (IC-GVINS) for wheeled robot, in which the precise INS is fully utilized in both the state estimation and visual process. To improve the system robustness, the INS information is employed during the whole keyframe-based visual process, with strict outlier-culling strategy. GNSS is adopted to perform an accurate and convenient initialization of the IC-GVINS, and is further employed to achieve absolute positioning in large-scale environments. The IMU, visual, and GNSS measurements are tightly fused within the framework of factor graph optimization. Dedicated experiments were conducted to evaluate the robustness and accuracy of the IC-GVINS on a wheeled robot. The IC-GVINS demonstrates superior robustness in various visual-degenerated scenes with moving objects. Compared to the state-of-the-art visual-inertial navigation systems, the proposed method yields improved robustness and accuracy in various environments. We open source our codes combined with the dataset on GitHub

研究动机与目标

• 开发一种适用于复杂视觉退化环境的轮式机器人鲁棒、实时导航系统。
• 通过将高精度惯性导航作为核心组件，解决现有视觉-惯性系统在处理动态场景和视觉特征匮乏时的局限性。
• 在大规模环境中利用 GNSS 改进系统初始化和绝对定位精度。
• 通过以 INS 为中心的视觉处理和严格的异常值剔除策略，提升整体导航鲁棒性。

提出的方法

• 系统采用以 INS 为中心的设计，将高精度惯性状态作为关键帧视觉处理过程中的主要参考。
• 利用 GNSS 对状态进行精确初始化，并在大规模环境中提供绝对位置约束。
• 在视觉特征跟踪和位姿估计过程中应用严格的异常值剔除策略，利用 INS 预测结果拒绝错误测量。
• 在因子图优化框架内紧密融合 IMU、视觉和 GNSS 测量，联合估计机器人的轨迹。
• 通过 INS 状态引导视觉处理，以在特征丢失或低纹理条件下保持一致性并减少漂移。
• 系统实现为实时系统，并已开源，同时提供公开数据集以支持可复现性。

实验结果

研究问题

• RQ1 以 INS 为中心的设计在视觉退化环境中如何提升 GNSS-视觉-惯性导航的鲁棒性？
• RQ2 在大规模场景中，GNSS 在提升初始化和绝对定位精度方面发挥什么作用？
• RQ3 与松耦合或松散优化系统相比，IMU、视觉和 GNSS 测量的紧密融合如何提升整体导航性能？
• RQ4 在特征丢失或动态场景下，INS 引导的视觉处理在多大程度上可减少漂移并提升一致性？

主要发现

• IC-GVINS 在存在运动物体的视觉退化场景中表现出卓越的鲁棒性，在复杂条件下优于最先进的视觉-惯性系统。
• 系统利用 GNSS 实现了精确的初始化和稳定的绝对定位，即使在大规模环境中亦表现稳定。
• 以 INS 为中心的视觉处理显著减少了在低视觉纹理或特征丢失期间的漂移，并提升了系统一致性。
• 通过因子图优化实现 IMU、视觉和 GNSS 数据的紧密融合，相比传统方法显著提升了轨迹精度。
• 基于 INS 预测结果的严格异常值剔除策略，增强了视觉特征跟踪和位姿估计的可靠性。
• 系统已完全开源并提供公开数据集，支持可复现性，并推动面向轮式机器人实时、鲁棒导航的进一步研究。