[论文解读] OKVIS2: Realtime Scalable Visual-Inertial SLAM with Loop Closure

Stefan Leutenegger|arXiv (Cornell University)|Feb 18, 2022

Robotics and Sensor-Based Localization被引用 24

一句话总结

OKVIS2 提供一个具备回环闭环的实时可扩展 VI-SLAM 系统，它从边缘化观测构建位姿图边并在回环闭合后重新激活地标，从而实现更大的优化窗口。

ABSTRACT

Robust and accurate state estimation remains a challenge in robotics, Augmented, and Virtual Reality (AR/VR), even as Visual-Inertial Simultaneous Localisation and Mapping (VI-SLAM) getting commoditised. Here, a full VI-SLAM system is introduced that particularly addresses challenges around long as well as repeated loop-closures. A series of experiments reveals that it achieves and in part outperforms what state-of-the-art open-source systems achieve. At the core of the algorithm sits the creation of pose-graph edges through marginalisation of common observations, which can fluidly be turned back into landmarks and observations upon loop-closure. The scheme contains a realtime estimator optimising a bounded-size factor graph consisting of observations, IMU pre-integral error terms, and pose-graph edges -- and it allows for optimisation of larger loops re-using the same factor-graph asynchronously when needed.

研究动机与目标

• 在长期和重复回环闭合场景下提升 VI-SLAM 的鲁棒性和可扩展性。
• 通过有界大小的因子图实现实时运行，同时保持精度。
• 允许异步回环闭合优化，能够重新激活旧地标和观测。
• 引入轻量级的动态对象分割，以提升在动态场景中的鲁棒性。

提出的方法

• 从边缘化观测构建位姿图因子，以扩大优化窗口。
• 维护一个含观测、IMU 预积分项以及位姿图边的有界大小因子图的实时估计器。
• 异步执行回环闭合优化，并将位姿图边重新转换为观测/地标。
• 在关键帧上使用轻量级分割 CNN，将动态观测移除，跑在 CPU 上以提高可移植性。
• 使用共视性启发式选择新的关键帧，以在保留长期约束的同时管理图的规模。
• 使用 Ceres Solver 对视觉、惯性和位姿图项进行非线性最小二乘优化。

实验结果

研究问题

• RQ1 在存在长期或频繁回环闭合的情况下，VI-SLAM 如何保持鲁棒性和精度？
• RQ2 实时估计器是否能够在有界大小的图上运行，同时通过位姿图因子利用较旧观测的信息？
• RQ3 对观测边缘化对回环闭合质量和地标重新激活的影响是什么？
• RQ4 基于 CPU 的轻量级动态区域分割是否在不牺牲实时性能的前提下提升 VI-SLAM 的鲁棒性？
• RQ5 在启用回环闭合时，OKVIS2 与标准数据集上的先进 VI-SLAM/VIO 系统相比如何？

主要发现

Row	VIO	VI-SLAM	OKVIS2 VIO	OKVIS2 slam-final	VINS-Fusion	OKVIS2 causal	ORB-SLAM3	OKVIS2 (ours)
MH_01	0.080	0.119	0.089	0.071	0.138	0.048	0.035	0.031
MH_02	0.060	0.119	0.044	0.044	0.152	0.036	0.033	0.023
MH_03	0.050	0.119	0.096	0.082	0.125	0.050	0.035	0.028
MH_04	0.100	0.119	0.197	0.189	0.280	0.089	0.051	0.066
MH_05	0.080	0.119	0.206	0.141	0.284	0.112	0.082	0.068
V1_01	0.040	0.119	0.050	0.043	0.076	0.037	0.038	0.035
V1_02	0.020	0.119	0.066	0.037	0.069	0.021	0.014	0.013
V1_03	0.030	0.119	0.071	0.036	0.114	0.035	0.024	0.019
V2_01	0.030	0.119	0.062	0.044	0.066	0.036	0.032	0.023
V2_02	0.020	0.119	0.077	0.044	0.091	0.024	0.014	0.015
V2_03	-	0.119	0.028	0.063	0.096	0.045	0.024	0.020
Avg	-	0.119	0.089	0.071	0.138	0.048	0.035	0.031

• OKVIS2 在 EuRoC 和 TUM VI 基准测试中达到或优于最先进方法的精度。
• 在 EuRoC 中，OKVIS2 的绝对轨迹误差（ATE）与 ORB-SLAM3 等基线相比相当甚至略优（注明有因果与非因果评估）。
• 该系统通过回环闭合优化后重新激活旧地标并重新集成观测，展示出强的回环闭合性能。
• 一个在检测到回环后对完整图进行异步优化的有界大小实时估计器，保持实时运行，同时利用长期约束。
• 一个轻量级的基于 CPU 的分割 CNN 减少动态区域观测，在有云/人等场景中提升精度。
• OKVIS2 在多个数据集上提供了详细的对比结果，突出其可扩展性以及在回环有效处理时对长期漂移的鲁棒性。