[论文解读] Leveraging Planar Regularities for Point Line Visual-Inertial Odometry

Xin Li, Yijia He+2 more|arXiv (Cornell University)|Apr 16, 2020

Robotics and Sensor-Based Localization参考文献 26被引用 4

一句话总结

该论文提出PLP-VIO，一种紧耦合的单目视觉-惯性里程计系统，通过融合点特征、线特征和平面规律来提升三维位姿估计与稠密网格重建性能。通过利用共面性约束及一种非迭代平面检测方法，该系统在纹理贫乏但存在丰富线条的环境中，实现了比现有最先进方法更高的定位精度与更鲁棒、结构感知的稠密映射性能。

ABSTRACT

With monocular Visual-Inertial Odometry (VIO) system, 3D point cloud and camera motion can be estimated simultaneously. Because pure sparse 3D points provide a structureless representation of the environment, generating 3D mesh from sparse points can further model the environment topology and produce dense mapping. To improve the accuracy of 3D mesh generation and localization, we propose a tightly-coupled monocular VIO system, PLP-VIO, which exploits point features and line features as well as plane regularities. The co-planarity constraints are used to leverage additional structure information for the more accurate estimation of 3D points and spatial lines in state estimator. To detect plane and 3D mesh robustly, we combine both the line features with point features in the detection method. The effectiveness of the proposed method is verified on both synthetic data and public datasets and is compared with other state-of-the-art algorithms.

研究动机与目标

• 解决基于稀疏点特征的单目VIO系统缺乏结构信息、导致稠密地图不准确或不完整的问题。
• 提升在纹理缺失或低纹理环境中（点特征稀疏或不可靠）的定位精度。
• 开发一种紧耦合的VIO系统，通过异构视觉特征联合优化位姿、三维特征点与平面结构。
• 通过利用平面规律，实现从稀疏三维点与空间线到高效实时稠密网格生成。
• 验证结合点、线、面特征在提升定位与地图构建性能方面的有效性。

提出的方法

• 系统在PL-VIO基础上扩展，引入平面检测与基于三维点和三维线特征输入的三维网格生成。
• 提出一种非迭代平面检测方法，利用检测到的三维线与点之间的共面性约束，提升鲁棒性与速度。
• 对二维点与线特征应用Delaunay三角剖分，生成初始二维网格，再通过三维特征点投影形成三维网格。
• 在滑动窗口优化过程中施加共面性约束，以提升三维点与线估计的准确性。
• 采用Schur补技巧加速优化与边缘化，即使状态向量规模增大，仍保持实时性能。
• 平面与网格生成在后端执行，位于二维特征三维三角化之后，平面检测基于三维点与线的几何一致性。

实验结果

研究问题

• RQ1 在单目VIO中，线特征与平面规律的融合是否能显著提升定位精度，特别是在纹理贫乏的环境中？
• RQ2 与仅使用点特征的方法相比，结合点、线、面特征如何影响稠密三维网格重建的质量与完整性？
• RQ3 非迭代平面检测方法是否能在显著更快的速度下实现与基于RANSAC的方法相当或更优的精度？
• RQ4 共面性约束在紧耦合VIO框架中，对三维特征点估计精度的提升程度如何？
• RQ5 当点特征稀疏时，结构化线条是否能提升平面检测与网格生成的鲁棒性与正确性？

主要发现

• 在EuRoC MH_05数据集上，PLP-VIO在RPE评估中实现了最低的平移误差，尤其在57–67秒区间（点特征稀疏）表现优于其他方法。
• 与仅使用点特征的方法（P）相比，PLP-VIO的平均映射误差降低至2.8 cm，而P方法为3.6 cm，表明重建精度显著提升。
• 所提出的非迭代平面检测方法平均执行时间仅为0.44 ms，远快于基于RANSAC的替代方案，且保持了高精度。
• PLP-VIO的网格生成平均耗时仅1.42 ms，且每帧总优化时间保持在36 ms以内，实现了真正的实时性能。
• 在点特征稀少但结构化线条丰富的场景中（如图8所示），PLP-VIO保持了高精度，而P与PP方法性能下降，证明了线与面特征的价值。
• 消融实验表明，点、线、面特征联合使用（PLP）始终优于单一组件（P、PL、PP），其中PLP表现出最鲁棒且最精确的结果。