[论文解读] Pose Estimation for Ground Robots: On Manifold Representation, Integration, Re-Parameterization, and Optimization

Mingming Zhang, Xingxing Zuo+3 more|arXiv (Cornell University)|Sep 8, 2019

Robotics and Sensor-Based Localization参考文献 59被引用 9

一句话总结

该论文提出了一种新颖的概率方法，仅使用轮式里程计和外部传感器（例如单目相机）对地面机器人进行6D姿态估计，通过将机器人运动建模为流形，并执行基于流形的积分与周期性重参数化。该方法在无需IMU或复杂传感器融合的情况下，在大规模真实环境中实现了最先进水平的精度。

ABSTRACT

In this paper, we focus on motion estimation dedicated for non-holonomic ground robots, by probabilistically fusing measurements from the wheel odometer and exteroceptive sensors. For ground robots, the wheel odometer is widely used in pose estimation tasks, especially in applications under planar-scene based environments. However, since the wheel odometer only provides 2D motion estimates, it is extremely challenging to use that for performing accurate full 6D pose (3D position and 3D orientation) estimation. Traditional methods on 6D pose estimation either approximate sensor or motion models, at the cost of accuracy reduction, or rely on other sensors, e.g., inertial measurement unit (IMU), to provide complementary measurements. By contrast, in this paper, we propose a novel method to utilize the wheel odometer for 6D pose estimation, by modeling and utilizing motion manifold for ground robots. Our approach is probabilistically formulated and only requires the wheel odometer and an exteroceptive sensor (e.g., a camera). Specifically, our method i) formulates the motion manifold of ground robots by parametric representation, ii) performs manifold based 6D integration with the wheel odometer measurements only, and iii) re-parameterizes manifold equations periodically for error reduction. To demonstrate the effectiveness and applicability of the proposed algorithmic modules, we integrate that into a sliding-window pose estimator by using measurements from the wheel odometer and a monocular camera. By conducting extensive simulated and real-world experiments, we show that the proposed algorithm outperforms competing state-of-the-art algorithms by a significant margin in pose estimation accuracy, especially when deployed in complex large-scale real-world environments.

研究动机与目标

• 解决仅使用低成本传感器对地面机器人实现精确6D姿态估计（3D位置与姿态）的挑战，避免依赖昂贵的GPS或IMU。
• 克服传统方法的局限性，这些方法要么对运动模型进行近似，要么依赖互补传感器（如IMU），从而降低信息利用率与精度。
• 利用地面机器人固有的运动流形——受限于平面或表面运动——仅通过轮式里程计与外部传感器提升姿态估计精度。
• 开发一种概率框架，通过基于流形的约束将2D轮式里程计测量与外部传感器数据集成，实现完整的6D姿态估计。
• 在退化运动情况与长期漂移普遍存在的复杂、大规模真实环境中，显著提升性能。

提出的方法

• 使用2D轮式里程计运动的参数化表示形式化表示地面机器人的运动流形，捕捉平面运动的几何约束。
• 通过概率框架执行基于流形的6D姿态积分，将2D里程计测量传播至3D空间中的2D流形，强制机器人运动位于该流形上。
• 通过使用更新的状态估计周期性地重参数化流形方程，以校正累积误差并提高长期一致性。
• 将基于流形的估计器集成到滑动窗口优化框架中，利用轮式里程计与单目相机的测量值来优化姿态估计。
• 推导出在旋转δR与平移δp变化下更新流形参数（A, B, c）的闭式变换，实现高效且精确的重参数化。
• 为计算效率，采用简化方向表示（单位矩阵I₂），实验验证表明其性能与完整方向估计相当。

实验结果

研究问题

• RQ1 能否仅使用轮式里程计与单目相机实现精确的6D姿态估计，而无需依赖IMU或高成本传感器？
• RQ2 如何有效建模并利用地面机器人的内在运动流形以提升6D姿态估计精度？
• RQ3 周期性重参数化流形方程对减少漂移与提升长期估计稳定性有何影响？
• RQ4 在复杂、大规模真实环境中，该方法与最先进视觉-惯性方法及纯视觉方法相比，在精度与鲁棒性方面表现如何？
• RQ5 运动流形约束在多大程度上可补偿地面机器人缺乏直接3D运动测量的不足？

主要发现

• 所提方法在复杂、大规模真实环境中显著优于现有最先进算法，姿态估计精度更高，尤其在长期运行中表现突出。
• 基于流形的积分与周期性重参数化有效减少了长期漂移，提升了估计一致性，即使在轮式里程计存在累积误差时亦然。
• 在退化运动场景（如零旋转速度、静止运动）中，该方法优于视觉-惯性方法，后者在这些情况下常会失效。
• 实验结果表明，仅使用轮式里程计与单目相机，该方法性能可媲美甚至超越使用完整IMU与GPS的系统，且成本显著更低。
• 在重参数化中采用单位矩阵I₂表示方向参数，性能与使用完整方向估计相当，验证了方法的鲁棒性与计算效率。
• 用于更新流形参数（A, B, c）的闭式变换实现了高效且精确的重参数化，显著提升了方法的实时可行性与稳定性。