[논문 리뷰] Robust tightly coupled pose estimation based on monocular vision, inertia, and wheel speed

Gang Peng, Zezao Lu외 3명|arXiv (Cornell University)|2020. 03. 03.

Robotics and Sensor-Based Localization참고 문헌 19인용 수 4

한 줄 요약

이 논문은 지상 로봇를 대상으로 단안 영상, 관성 측정장치(IMU), 휠 속도를 통합하는 밀착된 다중 센서 융합 SLAM 알고리즘을 제안한다. 비선형 최적화를 통해 센서 데이터를 융합하고, 휠 오도메트리 사전 통합 기법을 도입함으로써 누적 오차 2.2 m(812 m 주행 시)의 높은 정확도를 달성하고 시각적 손실 상황에서도 뛰어난 강건성을 확보하여, 단안 시각-관성 SLAM 및 전통적인 휠 오도메트리보다 뛰어난 성능을 발휘한다.

ABSTRACT

The visual SLAM method is widely used for self-localization and mapping in complex environments. Visual-inertia SLAM, which combines a camera with IMU, can significantly improve the robustness and enable scale weak-visibility, whereas monocular visual SLAM is scale-invisible. For ground mobile robots, the introduction of a wheel speed sensor can solve the scale weak-visible problem and improve the robustness under abnormal conditions. In this thesis, a multi-sensor fusion SLAM algorithm using monocular vision, inertia, and wheel speed measurements is proposed. The sensor measurements are combined in a tightly coupled manner, and a nonlinear optimization method is used to maximize the posterior probability to solve the optimal state estimation. Loop detection and back-end optimization are added to help reduce or even eliminate the cumulative error of the estimated poses, thus ensuring global consistency of the trajectory and map. The wheel odometer pre-integration algorithm, which combines the chassis speed and IMU angular speed, can avoid repeated integration caused by linearization point changes during iterative optimization; state initialization based on the wheel odometer and IMU enables a quick and reliable calculation of the initial state values required by the state estimator in both stationary and moving states. Comparative experiments were carried out in room-scale scenes, building scale scenes, and visual loss scenarios. The results showed that the proposed algorithm has high accuracy, 2.2 m of cumulative error after moving 812 m (0.28%, loopback optimization disabled), strong robustness, and effective localization capability even in the event of sensor loss such as visual loss. The accuracy and robustness of the proposed method are superior to those of monocular visual inertia SLAM and traditional wheel odometers.

연구 동기 및 목표

• 지상 로봇를 위한 단안 시각 SLAM의 스케일 모호성 및 강건성 한계를 해결하기 위해.
• 복잡하거나 저조도 환경에서 궤적 일致성 향상 및 누적 오차 감소를 위해.
• 휠 오도메트리와 IMU를 활용해 정지 및 이동 조건 모두에서 신뢰할 수 있는 상태 초기화를 가능하게 하기 위해.
• 특히 시각적 장애 발생 시에도 시스템의 강건성을 향상시키기 위해.
• 최적화 과정에서 반복적인 통합을 피하기 위해 휠 속도 및 IMU 데이터를 효율적으로 통합하기 위해.

제안 방법

• 밀착된 최적화 프레임워크가 단안 카메라, IMU, 휠 속도 측정값을 융합하여 상태 추정의 사후 확률을 최대화한다.
• 휠 오도메트리 사전 통합 기법이 차체 속도와 IMU 각속도를 조합하여 반복적인 통합을 최적화 반복 과정에서 방지한다.
• 상태 초기화 과정에서 휠 오도메트리와 IMU 데이터를 활용해 정적 및 동적 상태 모두에서 정확한 초기 추정치를 제공한다.
• 루프 탐지 및 백엔드 최적화를 통합하여 누적 드리프트를 보정하고 전역 궤적 일치성을 확보한다.
• 비선형 최적화를 통해 자세, 속도, 바이어스 상태를 동시에 추정하면서 모든 센서 측정값의 오차를 최소화한다.
• 선형화 점 재통합을 방지하기 위해 휠 및 IMU 데이터를 사전 통합함으로써 수치 안정성을 향상시킨다.

실험 결과

연구 질문

• RQ1 단안 영상, IMU, 휠 속도의 융합이 지상 로봇 SLAM에서 자세 추정 정확도와 강건성에 상당한 향상을 이끌 수 있는가?
• RQ2 제안된 휠 오도메트리 사전 통합 기법이 반복 최적화 과정에서 수치 오차를 어떻게 감소시키는가?
• RQ3 시각적 손실 또는 저조도 상황에서도 시스템이 정확도와 일관성을 얼마나 유지하는가?
• RQ4 제안된 초기화 방법이 정지 및 이동 조건 모두에서 초기 상태를 신뢰성 있게 추정할 수 있는가?
• RQ5 세 센서의 밀착 융합 방식이 누적 오차 측면에서 단안 시각-관성 SLAM 및 전통적인 휠 오도메트리에 비해 어떻게 비교되는가?

주요 결과

• 제안된 방법은 812 m 주행 동안 누적 오차 2.2 m를 기록하여 루프 클로징 비활성화 시 0.28% 오차율을 달성한다.
• 장기간의 시각적 손실 상황에서도 시스템은 높은 정확도와 강건성을 유지하며 효과적인 센서 융합 내성을 입증한다.
• 휠 오도메트리 사전 통합 기법은 변화하는 선형화 점으로 인한 반복 통합을 성공적으로 방지하여 최적화 안정성을 향상시킨다.
• 휠 오도메트리와 IMU 기반 상태 초기화 방법은 정적 및 동적 조건 모두에서 신속하고 신뢰할 수 있는 수렴을 가능하게 한다.
• 실내 규모 및 건물 규모 환경 전반에서 단안 시각-관성 SLAM 및 전통적 휠 오도메트리보다 정확도와 강건성 측면에서 뛰어난 성능을 발휘한다.
• 루프 클로징 최적화가 누적 드리프트를 효과적으로 감소시켜 장거리 시퀀스에서 전역 궤적 일치성을 확보한다.