[论文解读] Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments

Shibo Zhao, Hengrui Zhang+3 more|arXiv (Cornell University)|Apr 30, 2021

Robotics and Sensor-Based Localization被引用 11

一句话总结

Super Odometry 提出了一种以 IMU 为中心的多模态传感器融合框架，结合了 LiDAR、视觉和 IMU 数据，可在隧道、黑暗房间和多尘等感知退化环境中实现高精度、实时的状态估计。通过采用以 IMU 为中心的处理流程，结合基于动态八叉树的扫描匹配和异步因子图优化，该方法实现了出色的鲁棒性，在精度和实时效率方面优于 LOAM、LIO-SAM 和 VINS。

ABSTRACT

We propose Super Odometry, a high-precision multi-modal sensor fusion framework, providing a simple but effective way to fuse multiple sensors such as LiDAR, camera, and IMU sensors and achieve robust state estimation in perceptually-degraded environments. Different from traditional sensor-fusion methods, Super Odometry employs an IMU-centric data processing pipeline, which combines the advantages of loosely coupled methods with tightly coupled methods and recovers motion in a coarse-to-fine manner. The proposed framework is composed of three parts: IMU odometry, visual-inertial odometry, and laser-inertial odometry. The visual-inertial odometry and laser-inertial odometry provide the pose prior to constrain the IMU bias and receive the motion prediction from IMU odometry. To ensure high performance in real-time, we apply a dynamic octree that only consumes 10 % of the running time compared with a static KD-tree. The proposed system was deployed on drones and ground robots, as part of Team Explorer's effort to the DARPA Subterranean Challenge where the team won $1^{st}$ and $2^{nd}$ place in the Tunnel and Urban Circuits, respectively.

研究动机与目标

• 解决现有仅 LiDAR、仅视觉或松耦合传感器融合方法在隧道、黑暗房间和多尘等感知退化环境中的局限性。
• 通过引入一种容错的滑动窗口优化框架，克服传统松耦合系统中帧间估计的脆弱性和单点故障风险。
• 通过利用视觉和 LiDAR-惯性里程计对 IMU 偏置进行约束，减少在低特征环境中的 LiDAR 依赖，从而提升实时性能和鲁棒性。
• 开发一种可扩展、可扩展的传感器融合流水线，结合紧密耦合方法的精度与松耦合系统的鲁棒性和模块化优势。

提出的方法

• 设计一种以 IMU 为中心的数据处理流水线，其中 IMU 里程计提供高频运动预测，而视觉-惯性与 LiDAR-惯性里程计则提供姿态先验，以约束 IMU 偏置。
• 实现一种动态八叉树数据结构，用于组织三维点云，实现常数时间的树更新，并相比静态 KD 树显著降低扫描匹配的计算量。
• 使用带滑动窗口约束的因子图优化，实现对估计误差的容错恢复，提升对传感器中断或异常值的鲁棒性。
• 采用基于主成分分析（PCA）的特征质量评估方法，过滤低质量特征并拒绝噪声，从而在特征稀少或杂乱环境中提升鲁棒性。
• 通过缓存约束并在每个子模块的本征频率下以小批量方式处理，实现异步传感器融合，从而提升实时性能。
• 通过混合松-紧密耦合架构，将 IMU、相机和 LiDAR 多种传感器模态进行集成，充分发挥各类传感器的优势。

实验结果

研究问题

• RQ1 以 IMU 为中心的融合流水线是否能在感知退化环境中实现比传统松耦合或紧密耦合方法更高的精度和鲁棒性？
• RQ2 与传统的 KD 树结构相比，动态八叉树在 LiDAR-惯性里程计中如何提升实时性能？
• RQ3 视觉-惯性与 LiDAR-惯性里程计在多大程度上能改善 IMU 偏置估计并减少在无 GPS、特征稀少环境中的漂移？
• RQ4 在剧烈运动、低光照以及雾、尘等空中遮蔽物存在的情况下，所提系统能否维持高精度的状态估计？
• RQ5 与顺序的帧间估计相比，异步的、基于因子图的融合架构在应对单个传感器故障方面如何提升系统鲁棒性？

主要发现

• 在长走廊序列中，Super Odometry 的平移 ATE RMSE 达到 0.055 m，显著优于 LOAM（4.15 m）、LIO-SAM（0.85 m）、VINS（5.83 m）和 VINS-Depth（2.58 m）。
• 在黑暗房间序列中，Super Odometry 的平移 ATE RMSE 为 0.174 m，优于 LOAM（0.263 m）、LIO-SAM（0.246 m）、VINS（0.527 m）和 VINS-Depth（0.429 m）。
• 在多尘环境中，Super Odometry 平均处理 LiDAR 扫描仅需 21 ms，而 LIO-SAM 需 102 ms，得益于高效的动态八叉树和噪声过滤，处理时间提升 5 倍。
• 动态八叉树将树构建时间从随帧数呈指数增长（如 KD 树）转变为近似恒定时间，即使在高数据率场景下也能实现实时性能。
• 系统实现了来自 IMU 里程计的 1000 Hz 状态估计，并在包括 DARPA 地下赛 Alpha 赛道在内的多种数据集上保持了实时性能。
• Super Odometry 在复杂且感知退化的环境（如隧道、竖井和长走廊）中成功实现了高精度地图构建，经多机器人轨迹重建和视觉对比验证。