[论文解读] A General Optimization-based Framework for Global Pose Estimation with Multiple Sensors

Tong Qin, Shaozu Cao+2 more|arXiv (Cornell University)|Jan 11, 2019

Robotics and Sensor-Based Localization被引用 205

一句话总结

本文提出一种基于优化的框架，将局部 VO/VIO 与多种全球传感器（GPS、磁力计、气压计等）在位姿图中融合，以实现局部精确且全局无漂移的六自由度定位，并在公开数据集和真实世界实验中进行了演示，开源代码可用。

ABSTRACT

Accurate state estimation is a fundamental problem for autonomous robots. To achieve locally accurate and globally drift-free state estimation, multiple sensors with complementary properties are usually fused together. Local sensors (camera, IMU, LiDAR, etc) provide precise pose within a small region, while global sensors (GPS, magnetometer, barometer, etc) supply noisy but globally drift-free localization in a large-scale environment. In this paper, we propose a sensor fusion framework to fuse local states with global sensors, which achieves locally accurate and globally drift-free pose estimation. Local estimations, produced by existing VO/VIO approaches, are fused with global sensors in a pose graph optimization. Within the graph optimization, local estimations are aligned into a global coordinate. Meanwhile, the accumulated drifts are eliminated. We evaluate the performance of our system on public datasets and with real-world experiments. Results are compared against other state-of-the-art algorithms. We highlight that our system is a general framework, which can easily fuse various global sensors in a unified pose graph optimization. Our implementations are open source\footnote{https://github.com/HKUST-Aerial-Robotics/VINS-Fusion}.

研究动机与目标

• 通过融合局部 VO/VIO 与全球传感器，推动并构建一个能够提供局部精确且全局无漂移的六自由度定位的框架。
• 提供一个通用、可扩展的框架，能够通过统一的位姿图优化容纳多种全球传感器。
• 通过公开数据集（如 KITTI）和真实世界实验展示鲁棒性与精度，并发布开源代码。

提出的方法

• 将传感器分为本地传感器和全球传感器；使用 VO/VIO 获取局部位姿估计，并将全球传感器视为图因子。
• 将位姿估计表述为在全局位姿上的最大似然/非线性最小二乘优化（捆绑调整），包含本地因子和全球因子。
• 从 VO/VIO 在相邻帧之间定义本地因子；将 GPS、磁力计、气压计建模为具有合适残差和协方差的全球因子。
• 构建一个稀疏位姿图，其中节点是世界坐标系中的位姿，边包括本地约束（来自 VO/VIO）和全球约束（来自全球传感器）。
• 使用 Ceres Solver 以高斯-牛顿/列文伯特迭代在低频率（1 Hz）求解，以获得全局对齐和漂移校正，同时允许高帧率的局部位姿转换到全局坐标系。

实验结果

研究问题

• RQ1 是否可以将多种全球传感器集成到一个基于优化的位姿图中，在不牺牲局部精度的前提下实现漂移无_GLOBAL localization?
• RQ2 在数据集和真实世界实验中，结合 GPS、磁力计和气压计与本地 VO/VIO 的框架表现如何？
• RQ3 该框架是否可扩展以包含 GPS、磁力计和气压计以外的其他全球传感器？
• RQ4 相较于仅使用 VO/VIO 或其他多传感器融合方法，在长距离轨迹上有哪些相对增益？

主要发现

序列	长度[km]	RMSE[m]	ORB-SLAM	提出的方法
09_30_drive_0016	0.39	0.18	0.12
09_30_drive_0018	2.21	0.83	0.24
09_30_drive_0020	1.23	0.71	0.27
09_30_drive_0027	0.69	0.57	0.15
09_30_drive_0033	1.71	3.01	0.27
09_30_drive_0034	0.92	1.04	0.20
10_03_drive_0027	3.72	1.25	0.28
10_03_drive_0042	2.45	12.48	0.63

• 该框架通过在统一的位姿图中融合本地 VO/VIO 与多种全球传感器，实现局部精确且全局无漂移的六自由度姿态。
• 在 KITTI 数据集上，所提方法在若干序列中的平移 RMSE 低于 ORB-SLAM，表明通过 GPS 集成有效消除了漂移。
• 旋转精度保持与局部 VO/VIO 相当，GPS 主要在长距离轨迹中降低平移漂移。
• 真实世界室外实验表明，该方法在相对位姿误差方面优于 MSF 和单独 VIO，漂移显著缓解，轨迹与道路地图或 RTK 真值对齐。
• 系统被证明是一个可通用的框架，能够并入额外全球传感器，作者提供开源代码供社区使用。