[论文解读] DynaVINS: A Visual-Inertial SLAM for Dynamic Environments

Seungwon Song, Hyungtae Lim+2 more|arXiv (Cornell University)|Aug 24, 2022

Robotics and Sensor-Based Localization被引用 9

一句话总结

DynaVINS 提出了一种鲁棒的视觉-惯性 SLAM 框架，可减轻真实环境中动态物体和暂时静止物体引起的误差。通过集成 IMU 预积分以生成位姿先验，采用鲁棒的捆绑调整方法以排除动态特征，并利用关键帧分组与多假设约束选择策略，其在动态场景中的精度和稳定性优于公开基准测试中的最先进方法。

ABSTRACT

Visual inertial odometry and SLAM algorithms are widely used in various fields, such as service robots, drones, and autonomous vehicles. Most of the SLAM algorithms are based on assumption that landmarks are static. However, in the real-world, various dynamic objects exist, and they degrade the pose estimation accuracy. In addition, temporarily static objects, which are static during observation but move when they are out of sight, trigger false positive loop closings. To overcome these problems, we propose a novel visual-inertial SLAM framework, called DynaVINS, which is robust against both dynamic objects and temporarily static objects. In our framework, we first present a robust bundle adjustment that could reject the features from dynamic objects by leveraging pose priors estimated by the IMU preintegration. Then, a keyframe grouping and a multi-hypothesis-based constraints grouping methods are proposed to reduce the effect of temporarily static objects in the loop closing. Subsequently, we evaluated our method in a public dataset that contains numerous dynamic objects. Finally, the experimental results corroborate that our DynaVINS has promising performance compared with other state-of-the-art methods by successfully rejecting the effect of dynamic and temporarily static objects. Our code is available at https://github.com/url-kaist/dynaVINS.

研究动机与目标

• 解决视觉-惯性 SLAM 系统中因动态物体导致的位姿估计退化问题。
• 减轻因暂时静止物体移出视野而触发的虚假回环闭合问题。
• 开发一种在复杂动态环境中保持精度和一致性的鲁棒 SLAM 框架。
• 通过新颖的优化与约束处理技术，提升视觉-惯性里程计对移动和瞬时静止物体的鲁棒性。

提出的方法

• 利用 IMU 预积分生成可靠的位姿先验，以指导捆绑调整中的特征剔除。
• 提出一种鲁棒的捆绑调整方法，利用基于 IMU 的位姿先验过滤来自动态物体的特征。
• 应用关键帧分组技术，通过基于运动一致性的帧组织方式减轻暂时静止物体的影响。
• 采用基于多假设的约束分组策略，以评估并仅选择有效的回环闭合候选。
• 使用结合视觉与惯性测量数据并集成动态物体过滤的混合优化框架。
• 实现一种回环闭合机制，通过评估多种假设以避免由瞬时静止物体引发的虚假正例。

实验结果

研究问题

• RQ1 如何使视觉-惯性 SLAM 系统在真实环境中对持续存在的动态物体具备鲁棒性？
• RQ2 何种机制可有效检测并剔除位姿估计过程中来自移动物体的特征？
• RQ3 如何防止移出视野的暂时静止物体引发虚假回环闭合？
• RQ4 多假设约束分组能否提升动态场景中回环闭合的可靠性？
• RQ5 集成 IMU 预积分位姿先验在多大程度上提升了动态 SLAM 的鲁棒性？

主要发现

• 与最先进方法相比，DynaVINS 在存在大量动态物体的环境中显著降低了位姿估计误差。
• 系统通过基于 IMU 先验的捆绑调整成功剔除了动态物体的特征，提升了轨迹一致性。
• 关键帧分组与多假设约束选择策略有效抑制了由暂时静止物体引发的虚假正回环闭合。
• 在高动态内容的公开基准测试中，DynaVINS 的平移与旋转误差均低于竞争方法。
• 所提出的框架在真实世界场景中表现出鲁棒性能，包括城市与室内动态环境。