[论文解读] Online Initialization and Extrinsic Spatial-Temporal Calibration for Monocular Visual-Inertial Odometry

Weibo Huang, Hong Liu+1 more|arXiv (Cornell University)|Apr 12, 2020

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

一句话总结

本文提出了一种用于单目视觉-惯性里程计（VIO）的在线初始化与外部空间-时间标定方法，可在自举过程中联合估计相机-IMU时间偏移、相对位姿以及初始状态（尺度、速度、重力、bias）。该方法采用短时运动插值与三步式粗到精优化，实现高精度标定与初始化，在公开数据集上验证了其在VIO性能上的提升。

ABSTRACT

This paper presents an online initialization method for bootstrapping the optimization-based monocular visual-inertial odometry (VIO). The method can online calibrate the relative transformation (spatial) and time offsets (temporal) among camera and IMU, as well as estimate the initial values of metric scale, velocity, gravity, gyroscope bias, and accelerometer bias during the initialization stage. To compensate for the impact of time offset, our method includes two short-term motion interpolation algorithms for the camera and IMU pose estimation. Besides, it includes a three-step process to incrementally estimate the parameters from coarse to fine. First, the extrinsic rotation, gyroscope bias, and time offset are estimated by minimizing the rotation difference between the camera and IMU. Second, the metric scale, gravity, and extrinsic translation are approximately estimated by using the compensated camera poses and ignoring the accelerometer bias. Third, these values are refined by taking into account the accelerometer bias and the gravitational magnitude. For further optimizing the system states, a nonlinear optimization algorithm, which considers the time offset, is introduced for global and local optimization. Experimental results on public datasets show that the initial values and the extrinsic parameters, as well as the sensor poses, can be accurately estimated by the proposed method.

研究动机与目标

• 解决单目VIO系统中初始状态估计不准确与传感器数据不同步的挑战。
• 实现在无需离线标定目标情况下的在线、实时外部空间与时间参数标定。
• 在初始化阶段联合估计度量尺度、重力、速度与IMU bias，从初始阶段提升VIO精度。
• 通过运动插值补偿相机与IMU数据流之间的时间偏移，提升位姿估计精度。
• 开发一种鲁棒的增量式优化框架，利用IMU预积分与特征重投影误差共同优化初始估计。

提出的方法

• 提出两种短时运动插值算法——相机运动插值与IMU运动插值——假设关键帧之间角速度与线速度恒定，以估计任意时间戳的位姿。
• 引入三步式粗到精参数估计流程：第一步通过旋转差值最小化估计旋转、陀螺仪bias与时间偏移；第二步近似估计尺度、重力与平移；第三步在考虑bias与重力幅值的前提下联合优化所有参数。
• 使用李代数与指数映射近似建模旋转估计误差，实现外部参数与bias参数的可微分优化。
• 采用非线性优化框架，联合最小化IMU预积分误差与特征重投影误差，且在误差函数中显式建模时间偏移。
• 推导旋转误差关于时间偏移、陀螺仪bias与外部旋转的解析雅可比矩阵，支持高效的高斯-牛顿优化。
• 采用伴随变换与BCH近似线性化涉及相对位姿与bias扰动的复杂旋转误差项。

实验结果

研究问题

• RQ1 在线初始化能否在无需离线标定的情况下，联合估计单目VIO中的外部空间-时间参数与初始状态（尺度、速度、重力、bias）？
• RQ2 在初始化过程中，如何通过运动插值有效补偿相机与IMU之间的时间偏移？
• RQ3 忽略时间偏移与bias对VIO中初始状态估计精度有何影响？
• RQ4 三步式粗到精估计流程是否相比直接优化能提升初始化的鲁棒性与收敛性？
• RQ5 在公开基准测试中，该方法与现有在线初始化技术相比，在精度与收敛速度方面表现如何？

主要发现

• 所提方法实现了对外部空间与时间参数的精确估计，时间偏移与bias补偿显著提升了初始化精度。
• 三步式估计流程通过逐步将粗略估计精炼为尺度、重力与平移的精确值，实现了稳定且准确的初始化。
• 基于恒定速度假设的运动插值为在时间偏移未知的情况下对齐相机与IMU位姿提供了可靠方法。
• 非线性优化框架有效最小化了IMU预积分误差与特征重投影误差，实现了稳定且精确的状态估计。
• 在公开数据集上的实验结果表明，所提方法在初始化精度与鲁棒性方面优于基线方法。
• 该方法使基于优化的VIO系统从第一帧起即实现高精度自举，减少了漂移并提升了长期性能。