[论文解读] MINS: Efficient and Robust Multisensor-aided Inertial Navigation System

Woosik Lee, Patrick Geneva+2 more|arXiv (Cornell University)|Sep 27, 2023

Robotics and Sensor-Based LocalizationEngineering被引用 3

一句话总结

该论文提出MINS，一种紧密耦合、高效且鲁棒的多传感器辅助惯性导航系统，在连续时间滤波框架中融合IMU、轮速编码器、摄像头、LiDAR和GNSS。该系统引入高阶流形插值、基于动态克隆的自适应计算复杂度调节、在线时空标定以及仅使用IMU与轮速编码器的初始化方法，在传感器故障或动态条件下仍能实现最先进的精度、一致性和实时性能，且计算量极低。

ABSTRACT

Robust multisensor fusion of multi-modal measurements such as IMUs, wheel encoders, cameras, LiDARs, and GPS holds great potential due to its innate ability to improve resilience to sensor failures and measurement outliers, thereby enabling robust autonomy. To the best of our knowledge, this work is among the first to develop a consistent tightly-coupled Multisensor-aided Inertial Navigation System (MINS) that is capable of fusing the most common navigation sensors in an efficient filtering framework, by addressing the particular challenges of computational complexity, sensor asynchronicity, and intra-sensor calibration. In particular, we propose a consistent high-order on-manifold interpolation scheme to enable efficient asynchronous sensor fusion and state management strategy (i.e. dynamic cloning). The proposed dynamic cloning leverages motion-induced information to adaptively select interpolation orders to control computational complexity while minimizing trajectory representation errors. We perform online intrinsic and extrinsic (spatiotemporal) calibration of all onboard sensors to compensate for poor prior calibration and/or degraded calibration varying over time. Additionally, we develop an initialization method with only proprioceptive measurements of IMU and wheel encoders, instead of exteroceptive sensors, which is shown to be less affected by the environment and more robust in highly dynamic scenarios. We extensively validate the proposed MINS in simulations and large-scale challenging real-world datasets, outperforming the existing state-of-the-art methods, in terms of localization accuracy, consistency, and computation efficiency. We have also open-sourced our algorithm, simulator, and evaluation toolbox for the benefit of the community: https://github.com/rpng/mins.

研究动机与目标

• 为解决缺乏能够实时融合五种常见导航传感器（IMU、轮速编码器、摄像头、LiDAR、GNSS）的高效、紧密耦合多传感器融合系统的问题。
• 克服长期运行中异步传感器数据、高计算复杂度以及时变传感器标定带来的挑战。
• 开发一种仅依赖本体感知传感器（IMU与轮速编码器）的鲁棒初始化方法，以应对高动态或外部感知传感器性能下降的环境。
• 实现一致且高阶的流形状态插值，最大限度减少轨迹表示误差，同时保持计算效率。
• 提供在线内参与外参（时空）标定，以在先验标定不佳或漂移的情况下仍保持精度。

提出的方法

• 提出连续时间状态表示，以降低异步和延迟测量带来的计算复杂度。
• 引入高阶流形插值方案，确保在异步传感器更新下状态估计的一致性与准确性。
• 开发动态克隆算法，根据运动动态自适应调整插值阶数，以在计算负载与轨迹保真度之间取得平衡。
• 采用在线内参与外参标定，对所有传感器进行校正，消除对先验标定的依赖，以应对时变偏差与错位。
• 设计一种新型初始化技术，仅使用IMU与轮速编码器数据，实现在高动态或外部感知传感器受限环境下的鲁棒启动。
• 通过测量压缩与小规模状态向量在EKF更新中保持低计算开销，实现无论传感器数量多少，EKF更新时间仅为1 ms。

实验结果

研究问题

• RQ1 能否在实时条件下高效且鲁棒地集成五种常见导航传感器（IMU、轮速编码器、摄像头、LiDAR、GNSS）的紧密耦合多传感器融合系统？
• RQ2 如何在保持计算效率的同时最小化连续时间状态插值带来的轨迹表示误差？
• RQ3 在线时空标定能否提升长期自主运行中对不佳或漂移传感器标定的鲁棒性？
• RQ4 是否可能仅使用本体感知传感器（IMU与轮速编码器）在高度动态或外部感知传感器性能下降的场景中实现可靠系统初始化？
• RQ5 动态克隆在不牺牲估计精度或一致性的前提下，能在多大程度上降低计算复杂度？

主要发现

• 无论传感器数量多少，MINS的EKF更新时间始终保持1 ms，展现出卓越的计算效率。
• 由于传感器冗余与鲁棒融合，系统在各类环境（包括GNSS拒止、LiDAR性能下降、摄像头遮挡）中均保持一致的性能表现。
• 动态克隆算法有效降低了计算负载，同时保持了轨迹精度，在保真度与效率方面优于固定阶数插值。
• 在线标定显著提升了估计的一致性与准确性，尤其在传感器偏差随时间变化或初始标定不佳的情况下效果明显。
• IMU-轮速编码器仅初始化方法可在外部感知传感器失效的高动态场景中成功启动系统，其表现优于传统方法。
• 在KAIST Urban 38数据集的基准测试中，MINS在不同传感器配置下的总计算时间为54–47 ms，所有评估方法中排名第二快，且传感器数量变化对性能影响极小。