[论文解读] Continuous Preintegration Theory for Graph-based Visual-Inertial Navigation.

Kevin Eckenhoff, Patrick Geneva+1 more|arXiv (Cornell University)|May 7, 2018

Robotics and Sensor-Based Localization参考文献 33被引用 6

一句话总结

本文提出了一种用于基于图的视觉-惯性导航的连续预积分理论，通过在两种新型惯性模型下解析求解预积分方程，获得闭式解：分段恒定测量值模型与分段恒定局部真实加速度模型。该方法提升了状态估计的精度，并支持紧密耦合与松散耦合的VINS系统，在真实世界实验中实现了具有竞争力的性能。

ABSTRACT

In this paper we propose a new continuous preintegration theory for graph-based sensor fusion with an inertial measurement unit (IMU) and a camera (or other aiding sensors). Rather than using discrete sampling of the measurement dynamics as in current methods, we analytically derive the closed-form solutions to the preintegration equations, yielding improved accuracy in state estimation. We advocate two new different inertial models for preintegration: (i) the model that assumes piecewise constant measurements, and (ii) the model that assumes piecewise constant local true acceleration. We show through extensive Monte-Carlo simulations the effect that the choice of preintegration model has on estimation performance. To validate the proposed preintegration theory, we develop both direct and indirect visual-inertial navigation systems (VINS) that leverage our preintegration. In the first, within a tightly-coupled, sliding-window optimization framework, we jointly estimate the features in the window and the IMU states while performing marginalization to bound the computational cost. In the second, we loosely couple the IMU preintegration with a direct image alignment that estimates relative camera motion by minimizing the photometric errors (i.e., raw image intensity difference), allowing for efficient and informative loop closures. Both systems are extensively tested in real-world experiments and are shown to offer competitive performance to state-of-the-art methods.

研究动机与目标

• 解决现有视觉-惯性系统预积分方法中离散采样带来的局限性。
• 通过推导预积分方程的连续闭式解，提升基于图的传感器融合中的估计精度。
• 提出并评估两种新型惯性模型——分段恒定测量值与分段恒定局部真实加速度——用于预积分。
• 通过真实世界场景中的紧密耦合与松散耦合视觉-惯性导航系统验证所提理论。
• 通过大量仿真与真实世界实验，证明其性能可与最先进方法相媲美。

提出的方法

• 通过连续建模IMU动力学而非离散化，推导预积分方程的闭式解析解。
• 提出两种惯性预积分模型：一种假设IMU测量值为分段恒定，另一种假设局部真实加速度为分段恒定。
• 将连续预积分理论集成到紧密耦合的滑动窗口优化框架中，联合估计特征与IMU状态，并采用边际化技术。
• 实现一种松散耦合系统，将预积分IMU数据与基于光度误差最小化的直接图像对齐相结合，以实现高效的回环检测。
• 利用蒙特卡洛仿真评估不同预积分模型选择对估计性能的影响。
• 利用连续预积分框架提升直接与间接VINS流程的精度与鲁棒性。

实验结果

研究问题

• RQ1 与视觉-惯性导航中的离散采样相比，具有闭式解的连续预积分在估计精度方面有何提升？
• RQ2 在预积分中，分段恒定测量值模型与分段恒定局部真实加速度模型的性能差异是什么？
• RQ3 连续预积分是否能提升真实世界场景中紧密耦合与松散耦合的视觉-惯性系统性能？
• RQ4 所提出的预积分理论如何支持直接VINS中高效且信息丰富的回环检测？
• RQ5 惯性模型的选择在基于图的传感器融合中对整体状态估计精度的影响程度如何？

主要发现

• 具有闭式解的连续预积分理论相比传统离散采样方法，显著提升了状态估计的精度。
• 蒙特卡洛仿真结果表明，分段恒定局部真实加速度模型性能更优，证明其在建模真实IMU动力学方面的有效性。
• 基于所提理论的紧密耦合与松散耦合VINS系统在性能上可与最先进方法相媲美。
• 松散耦合系统通过基于光度误差最小化的直接图像对齐，实现了高效且信息丰富的回环检测。
• 大量真实世界实验验证了所提预积分框架在多样化环境中的鲁棒性与实际可行性。
• 预积分方程的解析推导消除了对数值近似的依赖，提升了状态估计的一致性与精度。