[论文解读] HybVIO: Pushing the Limits of Real-time Visual-inertial Odometry

Otto Seiskari, Pekka Rantalankila+4 more|arXiv (Cornell University)|Jun 22, 2021

Robotics and Sensor-Based Localization参考文献 39被引用 5

一句话总结

HybVIO 提出了一种混合视觉-惯性里程计系统，将鲁棒的实时滤波式 VIO 与松耦合的优化式 SLAM 模块相结合。该系统在实时立体 VIO 任务中达到最先进性能，在 EuRoC MAV 基准测试中优于先前方法 BASALT，并在消费级硬件上实现了高精度与不确定性量化，具备车辆追踪的可行性。

ABSTRACT

We present HybVIO, a novel hybrid approach for combining filtering-based visual-inertial odometry (VIO) with optimization-based SLAM. The core of our method is highly robust, independent VIO with improved IMU bias modeling, outlier rejection, stationarity detection, and feature track selection, which is adjustable to run on embedded hardware. Long-term consistency is achieved with a loosely-coupled SLAM module. In academic benchmarks, our solution yields excellent performance in all categories, especially in the real-time use case, where we outperform the current state-of-the-art. We also demonstrate the feasibility of VIO for vehicular tracking on consumer-grade hardware using a custom dataset, and show good performance in comparison to current commercial VISLAM alternatives. An open-source implementation of the HybVIO method is available at https://github.com/SpectacularAI/HybVIO

研究动机与目标

• 开发一种实时、适合嵌入式部署的视觉-惯性里程计系统，提升鲁棒性与精度。
• 通过集成松耦合的优化式 SLAM 模块，解决 VIO 中的长期漂移问题。
• 实现在消费级硬件上的高精度追踪，适用于车辆应用。
• 以极低计算开销实现实时不确定性量化。
• 在实时立体 VIO 基准测试中超越现有最先进方法。

提出的方法

• 将 PIVO 框架扩展至双目相机，实现从单目到双目的泛化能力。
• 在 EKF 框架中引入奥恩斯坦-乌伦贝克过程，改进 IMU 偏置建模。
• 利用贝叶斯状态估计引入概率机制，实现异常值检测、平稳性检测与特征轨迹选择。
• 采用松耦合架构，使基于滤波的 VIO 与基于优化的 SLAM 并行运行，确保长期一致性。
• 在 SLAM 模块中利用稀疏贝叶斯因子图实现高效状态估计与地图优化。
• 采用简化的初始化方法与单位四元数高斯建模，降低计算复杂度。

实验结果

研究问题

• RQ1 基于滤波的 VIO 系统能否扩展至双目相机，并在嵌入式硬件上实现实时性能？
• RQ2 改进的 IMU 偏置建模对长期 VIO 精度与鲁棒性有何影响？
• RQ3 在实时场景中，松耦合的混合 VIO-SLAM 架构能否超越完全优化的 SLAM 系统？
• RQ4 VIO 独立追踪在车辆运动等复杂现实环境中的表现如何？
• RQ5 与商业 VISLAM 解决方案相比，所提方法在精度与稳定性方面表现如何？

主要发现

• HybVIO 在 EuRoC MAV 数据集上实现了最佳实时性能，优于先前最先进方法 BASALT。
• 在 TUM VI Room 基准测试中，HybVIO 在后处理 SLAM 精度上排名第二，仅次于 ORB-SLAM3。
• 在 SenseTime VISLAM 基准测试中，HybVIO 实现了 30.3 mm 的平均 RMSE，优于专有系统 SenseSLAM v1.0（31.2 mm）。
• 在自建车辆数据集上，HybVIO 在最高 40 km/h 速度下实现稳定追踪，优于 Intel RealSense T265，并在精度上与 Apple 的 ARKit 相当。
• 该方法在无 GPU、VPU 或 ISP 的 Raspberry Pi 上实现了实时性能，证明了其在低功耗嵌入式设备上的可行性。
• 不确定性量化原生支持且计算开销可忽略，可在动态环境中实现可靠的状态估计。