[论文解读] PL-VINS: Real-Time Monocular Visual-Inertial SLAM with Point and Line Features

Qiang Fu, Jialong Wang+5 more|arXiv (Cornell University)|Sep 16, 2020

Robotics and Sensor-Based Localization参考文献 36被引用 59

一句话总结

PL-VINS 将点和线特征集成到实时单目 VINS，使用对直线检测的改良 LSD 以及基于 Plücker 的空间线来提高在相同更新频率下的定位精度，相较 VINS-Mono。

ABSTRACT

Leveraging line features to improve localization accuracy of point-based visual-inertial SLAM (VINS) is gaining interest as they provide additional constraints on scene structure. However, real-time performance when incorporating line features in VINS has not been addressed. This paper presents PL-VINS, a real-time optimization-based monocular VINS method with point and line features, developed based on the state-of-the-art point-based VINS-Mono \cite{vins}. We observe that current works use the LSD \cite{lsd} algorithm to extract line features; however, LSD is designed for scene shape representation instead of the pose estimation problem, which becomes the bottleneck for the real-time performance due to its high computational cost. In this paper, a modified LSD algorithm is presented by studying a hidden parameter tuning and length rejection strategy. The modified LSD can run at least three times as fast as LSD. Further, by representing space lines with the Plücker coordinates, the residual error in line estimation is modeled in terms of the point-to-line distance, which is then minimized by iteratively updating the minimum four-parameter orthonormal representation of the Plücker coordinates. Experiments in a public benchmark dataset show that the localization error of our method is 12-16\% less than that of VINS-Mono at the same pose update frequency. %For the benefit of the community, The source code of our method is available at: https://github.com/cnqiangfu/PL-VINS.

研究动机与目标

• 通过引入线特征，激发在具有挑战性的环境中提升单目 VINS 的精度。
• 开发一种实时的基于优化的 VINS，融合点、线和惯性测量单元数据。
• 用更快速的线特征提取和鲁棒表示来取代昂贵的线处理。
• 证明线特征在公开基准数据集上能带来可测量的定位提升。

提出的方法

• 对 LSD 线段检测器进行隐藏参数调优以加速线特征提取。
• 使用基于长度的修剪策略舍弃短线特征，聚焦于支配性的线。
• 使用 Plücker 坐标表示空间线，并将线重投影残差建模为点到线的距离以进行优化。
• 对点和线进行三角测量，并优化包含点、线和惯性测量单元残差的滑动窗口目标函数。
• 在优化中使用四参数正交表示来改善收敛性。
• 维持一个与 VINS-Mono 类似的闭环模块以实现全局一致性。

实验结果

研究问题

• RQ1 在不牺牲速度的前提下，通过整合线特征，实时单目 VINS 是否能显著提升？
• RQ2 一个更快、经过调优的线检测器结合 Plücker 基线表示，是否比仅点的 VINS-Mono 提高定位精度？
• RQ3 在实时 SLAM 系统中，线特征数量与位姿估计性能之间存在哪些权衡？

主要发现

数据集（序列）	VINS-Mono ATE RMSE 无闭环	PL-VINS ATE RMSE 无闭环	VINS-Mono ATE RMSE 有闭环	PL-VINS ATE RMSE 有闭环
MH-04- difficult	0.375	0.270	0.220	0.202
MH-05- difficult	0.296	0.272	0.242	0.252
V1-02- medium	0.095	0.105	0.084	0.092
V1-03- difficult	0.176	0.156	0.170	0.152
V2-03- difficult	0.293	0.237	0.280	0.182
Mean	0.247	0.208	0.199	0.175

• 在相同的姿态更新频率下，PL-VINS 在 EuRoc 序列上的定位精度高于 VINS-Mono（在无闭环时平均提高幅度高达 16%，有闭环时为 12%）。
• 对线检测的改进 LSD 的运行速度至少是原始 LSD 的三倍，同时保持对姿态估计的实际精度。
• 在滑动窗口优化中融合线特征（点、线、IMU）可改善相对位移误差 RPE 的性能，并在评估序列中获得更多最佳结果。
• 该系统在低功耗 CPU 上以 10 Hz 运行，在单目 VINS（点和线）下，由于线处理高效，速度优于一个可比的 PL-VIO 变体。
• 即使没有闭环，线特征约束也有效，该方法还能重新构建空间线以更好地可视化轨迹。