[论文解读] An Open Source, Fiducial Based, Visual-Inertial State Estimation System.

Michael Neunert, Michael Blösch+1 more|arXiv (Cornell University)|Jul 8, 2015

Robotics and Sensor-Based Localization参考文献 6被引用 3

一句话总结

本文提出了一种开源的基于标识点的视觉-惯性状态估计系统，利用可打印的纸张标记实现室内及受限环境中精确、低成本的定位与运动追踪。通过融合标识点的视觉数据与惯性测量数据，该系统在快速运动条件下也能实现鲁棒、连续的姿态估计，且无需额外校准。

ABSTRACT

Many robotic tasks rely on the estimation of the location of moving bodies with respect to the robotic workspace. This information about the robots pose and velocities is usually either directly used for localization and control or utilized for verification. Often motion capture systems are used to obtain such a state estimation. However, these systems are very costly and limited in terms of workspace size and outdoor usage. Therefore, we propose a lightweight and easy to use, visual inertial Simultaneous Localization and Mapping approach that leverages paper printable artificial landmarks, so called fiducials. Results show that by fusing visual and inertial data, the system provides accurate estimates and is robust against fast motions. Continuous estimation of the fiducials within the workspace ensures accuracy and avoids additional calibration. By providing an open source implementation and various datasets including ground truth information, we enable other community members to run, test, modify and extend the system using datasets or their own robotic setups.

研究动机与目标

• 开发一种低成本、轻量化的替代方案，用于替代昂贵的动作捕捉系统进行机器人状态估计。
• 解决动作捕捉系统存在的局限性，如高成本、工作空间范围受限以及户外使用性能差等问题。
• 仅通过视觉和惯性传感器配合可打印的标识点标记，实现精确且鲁棒的姿态估计。
• 提供开源实现，包含数据集和真值数据，供社区进行测试、修改和扩展。

提出的方法

• 系统在环境中使用可打印的人工地标（标识点）作为视觉参考。
• 通过融合标识点的视觉观测与惯性测量单元（IMU）的惯性测量数据，估计机器人的状态。
• 采用状态估计滤波器，将视觉与惯性数据相结合，实现连续、精确的姿态与速度估计。
• 通过在工作区域内持续追踪标识点，避免了额外的校准步骤。
• 该实现为开源，支持与多种机器人平台集成，并提供数据集。
• 以数据集的形式提供真值数据，用于验证和基准测试性能。

实验结果

研究问题

• RQ1 低成本、基于标识点的视觉-惯性系统能否实现与动作捕捉系统相当的精确且鲁棒的状态估计？
• RQ2 在快速运动条件下，视觉与惯性数据的融合性能如何？
• RQ3 持续的标识点追踪在多大程度上可以消除对外部校准的需求？
• RQ4 该开源系统在不同机器人平台和环境中的可扩展性与可重用性如何？

主要发现

• 通过有效融合视觉与惯性数据，该系统即使在快速运动条件下也能实现精确的状态估计。
• 使用可打印的标识点可实现低成本部署，且无需昂贵的基础设施。
• 持续的标识点追踪确保了稳定的精度，并消除了对额外校准程序的需求。
• 开源实现配合提供的数据集，使研究社区能够进行可复现的测试与功能扩展。
• 该系统在真实环境中表现出鲁棒性，为传统动作捕捉系统提供了切实可行的替代方案。