[論文レビュー] VIRAL-Fusion: A Visual-Inertial-Ranging-Lidar Sensor Fusion Approach

Thien‐Minh Nguyen, Shenghai Yuan+4 more|arXiv (Cornell University)|Oct 23, 2020

Robotics and Sensor-Based Localization参考文献 33被引用数 7

ひとこと要約

本論文は、視覚・慣性オドメトリ、LiDAR、超広帯域（UWB）距離測定、および慣性計測単位（IMU）を統合することで、ドリフトなしで高精度な無人航空機（UAV）の自己位置特定を実現する最適化ベースのセンサフュージョンフレームワーク、VIRAL-Fusionを提案する。UWB距離測定からの位置・姿勢・速度の結合制約とIMUの事前統合を活用することで、最小限のインfra構築で長期間にわたる軌道の一貫性を達成し、実世界のテストにおいて変位誤差を0.4m RMSE未満に低減する。

ABSTRACT

In recent years, Onboard Self Localization (OSL) methods based on cameras or Lidar have achieved many significant progresses. However, some issues such as estimation drift and feature-dependence still remain inherent limitations. On the other hand, infrastructure-based methods can generally overcome these issues, but at the expense of some installation cost. This poses an interesting problem of how to effectively combine these methods, so as to achieve localization with long-term consistency as well as flexibility compared to any single method. To this end, we propose a comprehensive optimization-based estimator for 15-dimensional state of an Unmanned Aerial Vehicle (UAV), fusing data from an extensive set of sensors: inertial measurement units (IMUs), Ultra-Wideband (UWB) ranging sensors, and multiple onboard Visual-Inertial and Lidar odometry subsystems. In essence, a sliding window is used to formulate a sequence of robot poses, where relative rotational and translational constraints between these poses are observed in the IMU preintegration and OSL observations, while orientation and position are coupled in body-offset UWB range observations. An optimization-based approach is developed to estimate the trajectory of the robot in this sliding window. We evaluate the performance of the proposed scheme in multiple scenarios, including experiments on public datasets, high-fidelity graphical-physical simulator, and field-collected data from UAV flight tests. The result demonstrates that our integrated localization method can effectively resolve the drift issue, while incurring minimal installation requirements.

研究の動機と目的

• カメラとLiDARを用いた搭載型自己位置特定（OSL）システムに内在する長期的推定ドリフトおよびフレームのずれを解消すること。
• 高価なインfra構築や環境に関する事前知識に依存せず、グローバルな一貫性を維持する柔軟で低コストな位置特定ソリューションを開発すること。
• UWB距離測定とボディオフセット位置決め、および姿勢の結合を統合し、同時に位置と姿勢のドリフトを補正すること。
• 高レートのIMUデータとOSL、UWB測定値を同期された最適化ベース推定器で統合し、15次元状態の完全な推定を実現すること。
• 実世界のUAV飛行、シミュレーション、公開データセットにおいて、システムの頑健性と精度を検証すること。

提案手法

• 15次元状態（位置、姿勢、速度）のUAVを時間経過に伴って推定するスライディングウィンドウ最適化フレームワークを用いる。
• 相対的なポーズ間の運動をバイアス補正付きでモデル化するため、IMUの事前統合を組み込む。
• UWB距離測定をボディオフセット構成で統合し、距離測定が位置と姿勢の両方の推定を結合する。
• スライディングウィンドウ内で一貫性を保つために、視覚・慣性およびLiDARオドメトリからの相対ポーズ制約を構築する。
• 最新のVIOシステムにインspiredされた同期化方式を採用し、高レートのIMUデータと低レートの視覚・LiDAR測定値を一致させる。
• ROSフレームワーク内でのCeres Solverを用いて、すべてのセンサ測定値を組み合わせたコスト関数のマニフォールド上での最適化を実行する。

実験結果

リサーチクエスチョン

• RQ1 統一された最適化フレームワークは、視覚・慣性、LiDAR、UWB距離測定データを効果的に統合し、UAV位置特定における長期的ドリフトを是正できるか？
• RQ2 UWB距離測定に姿勢を組み込むことで、位置と姿勢の両方の推定の一貫性がどのように向上するか？
• RQ3 最小限のUWBアンカー設置（3基のみ）で、事前の地図知識なしにグローバルに一貫性のある位置特定が可能になるか、その範囲はどの程度か？
• RQ4 多様な環境や運動プロファイルにおいて、提案手法の融合方式は、単独のOSLシステムに比べて精度と頑健性で優れているか？
• RQ5 リアルタイムのUAV環境下で、センサ同期化とバイアスモデル化が全体の推定性能に与える影響は何か？

主な発見

• VIRAL-Fusionシステムは、実世界データセット#03において変位RMSEを0.1692mにまで低減し、VINS-Fusion（2.4057m）とLOAM（12.1921m）を著しく上回った。
• 姿勢推定誤差は回転RMSEが2.7682°に抑えられ、同じデータセットでVINS-Fusion（10.1036°）とLOAM（11.5245°）に比べ顕著に低減した。
• 着陸時の信号遮断に起因するUWBの外れ値を効果的に除外し、実環境下での頑健性を示した。
• 一時的な真値の喪失状況下でも、VIRAL法は誤差が有界に保たれる一方、OSL手法は時間経過とともに顕著なドリフトを示した。
• 現場に設置された3基のUWBアンカーのみを用いることで、最小限の設置作業と事前の地図知識なしにグローバルに一貫性のある位置特定が実現した。
• ボディオフセットUWB構成により、位置と姿勢の両方が効果的に結合され、追加センサを必要とせずに両方のドリフトが防止された。