[论文解读] GVINS: Tightly Coupled GNSS-Visual-Inertial Fusion for Smooth and Consistent State Estimation

Shaozu Cao, Xiuyuan Lu+1 more|arXiv (Cornell University)|Mar 14, 2021

Robotics and Sensor-Based Localization被引用 8

一句话总结

GVINS 提出了一种基于非线性优化的紧密耦合融合系统，将原始 GNSS 伪距和多普勒测量与视觉-惯性里程计（VIO）融合，实现无漂移、全局一致的 6-DoF 状态估计。通过采用粗到精的在线初始化方法和概率因子图框架，GVINS 即使在 GNSS 间歇性中断、测量噪声较大以及复杂城市环境条件下，也能保持局部精度和全局一致性，实现亚米级定位误差和实时性能。

ABSTRACT

Visual-Inertial odometry (VIO) is known to suffer from drifting especially over long-term runs. In this paper, we present GVINS, a non-linear optimization based system that tightly fuses GNSS raw measurements with visual and inertial information for real-time and drift-free state estimation. Our system aims to provide accurate global 6-DoF estimation under complex indoor-outdoor environment where GNSS signals may be intermittent or even totally unavailable. To connect global measurements with local states, a coarse-to-fine initialization procedure is proposed to efficiently calibrate the transformation online and initialize GNSS states from only a short window of measurements. The GNSS code pseudorange and Doppler shift measurements, along with visual and inertial information, are then modelled and used to constrain the system states in a factor graph framework. For complex and GNSS-unfriendly areas, the degenerate cases are discussed and carefully handled to ensure robustness. Thanks to the tightly-coupled multi-sensor approach and system design, our system fully exploits the merits of three types of sensors and is capable to seamlessly cope with the transition between indoor and outdoor environments, where satellites are lost and reacquired. We extensively evaluate the proposed system by both simulation and real-world experiments, and the result demonstrates that our system substantially eliminates the drift of VIO and preserves the local accuracy in spite of noisy GNSS measurements. The challenging indoor-outdoor and urban driving experiments verify the availability and robustness of GVINS in complex environments. In addition, experiments also show that our system can gain from even a single satellite while conventional GNSS algorithms need four at least.

研究动机与目标

• 解决在动态环境中长期运行时视觉-惯性里程计（VIO）固有的漂移问题。
• 在 GNSS 信号间歇性或退化（如城市峡谷或室内外过渡区域）时，实现鲁棒的实时状态估计。
• 开发一种在线初始化方法，无需预先校准即可标定本地 VIO 与全局 GNSS 坐标系之间的 4-DoF 变换。
• 在退化运动条件（如纯旋转）和低卫星可见性（低至单颗卫星）下确保系统鲁棒性。
• 通过将原始 GNSS 测量与视觉和惯性数据紧密耦合，实现高局部精度与全局一致性。

提出的方法

• 采用粗到精的初始化流程，仅使用短时间窗口的 GNSS 测量，实时估计本地 VIO 坐标系与全局 GNSS 坐标系之间的 4-DoF 变换。
• 将原始 GNSS 测量值——伪距和多普勒频移——建模为因子图中的概率因子，以约束状态估计过程。
• 采用紧密耦合的滑动窗口优化框架，在非线性优化框架内融合视觉、惯性和原始 GNSS 测量，以提升精度和一致性。
• 显式建模并处理如纯旋转或卫星数量过少等退化情况，以保持可观测性和系统稳定性。
• 采用概率因子图公式联合优化状态轨迹，确保轨迹平滑性和全局一致性。
• 该方法可无缝处理 GNSS 中断与重新捕获，确保在室内外过渡期间的连续性。

实验结果

研究问题

• RQ1 使用原始 GNSS 测量的紧密耦合融合框架是否能显著减少 VIO 在长期运行中的漂移？
• RQ2 如何在无需预先校准的情况下，可靠地实现本地 VIO 与全局 GNSS 坐标系之间变换的在线初始化？
• RQ3 当 GNSS 信号存在噪声、间歇性或仅可见一颗卫星时，系统在多大程度上仍能保持精度和一致性？
• RQ4 在纯旋转或低动态等退化运动条件下，系统性能如何？
• RQ5 系统是否能在复杂城市及室内外环境中实现实时性能，同时保持高精度和鲁棒性？

主要发现

• GVINS 在 VIO 初始化后 2.0 秒内成功完成本地与全局坐标系之间 4-DoF 变换的初始化，实现即时全局对齐。
• 在具有严重多径效应和信号中断的复杂城市驾驶实验中，GVINS 在 ENU 三个轴向的定位误差均方根（RMSE）低于 1 米。
• GVINS 保持了有界且缓慢变化的定位误差，无显著振荡；而 RTKLIB 在高层建筑密集区域的误差超过 100 米，表现极端不稳定。
• 系统实现实时性能，每帧平均优化时间为 21.91 ms，显著低于 VINS-Fusion 的平均 404.83 ms，尤其在长轨迹下优势明显。
• GVINS 在仅可见一颗卫星时仍表现出鲁棒性，而传统 GNSS 算法通常需要至少四颗卫星。
• 将 GVINS 和 RTK 的最终轨迹叠加于 Google 地图上可见，RTK 的断点清晰可辨，而 GVINS 轨迹连续且一致，验证了其连续性与一致性。