[论文解读] Optimization-Based Visual-Inertial SLAM Tightly Coupled with Raw GNSS Measurements

Jinxu Liu, Wei Gao+1 more|arXiv (Cornell University)|Oct 22, 2020

Robotics and Sensor-Based Localization参考文献 24被引用 61

一句话总结

本文提出了一种基于优化的视觉-惯性SLAM系统，通过在滑动窗口框架中紧密耦合原始GNSS测量值（伪距和多普勒频移）与视觉特征及IMU预积分结果，实现了对误差的联合最小化。该方法在城市峡谷和低层建筑区域中实现了优于现有最先进VI-SLAM、GNSS单点定位以及松耦合方法的全局定位精度，显著提升了在公开数据集上的表现。

ABSTRACT

Unlike loose coupling approaches and the EKF-based approaches in the literature, we propose an optimization-based visual-inertial SLAM tightly coupled with raw Global Navigation Satellite System (GNSS) measurements, a first attempt of this kind in the literature to our knowledge. More specifically, reprojection error, IMU pre-integration error and raw GNSS measurement error are jointly minimized within a sliding window, in which the asynchronism between images and raw GNSS measurements is accounted for. In addition, issues such as marginalization, noisy measurements removal, as well as tackling vulnerable situations are also addressed. Experimental results on public dataset in complex urban scenes show that our proposed approach outperforms state-of-the-art visual-inertial SLAM, GNSS single point positioning, as well as a loose coupling approach, including scenes mainly containing low-rise buildings and those containing urban canyons.

研究动机与目标

• 为解决松耦合与基于EKF融合在视觉-惯性SLAM中的局限性，实现原始GNSS测量值与视觉及惯性数据的紧密集成。
• 通过融合原始GNSS伪距与多普勒频移数据，克服标准SLAM中的漂移与全局坐标系模糊性问题。
• 在GNSS与视觉系统单独工作均失效的复杂城市环境中（如城市峡谷与低纹理区域），提升定位精度。
• 通过在优化框架中精确建模相机、IMU与GNSS接收机之间的传感器异步性，实现时间对齐。
• 通过在优化流水线中集成噪声测量剔除与边缘化技术，提升系统鲁棒性。

提出的方法

• 在滑动窗口优化框架内，联合最小化视觉特征的重投影误差、IMU预积分误差以及原始GNSS测量误差（伪距与多普勒频移）。
• 通过在优化中显式建模图像采集、IMU测量与GNSS测量之间的时间偏移，处理三者之间的异步问题。
• 采用两阶段GNSS测量剔除策略：首先使用GNSS求解器识别异常值，随后采用结合几何与运动约束的混合求解器以提升鲁棒性。
• 通过将VI-SLAM轨迹与GNSS单点定位结果对齐，实现GNSS-SLAM初始化，以估计初始ECEF到ENU及ENU到本地世界坐标系的变换。
• 通过Schur补技术对旧状态进行边缘化，以在保留信息的同时保持计算效率。
• 在评估过程中采用刚体变换对齐轨迹，以确保与真实值及基线方法的公平比较。

实验结果

研究问题

• RQ1 将原始GNSS测量值（伪距与多普勒频移）与视觉及惯性数据紧密耦合，是否能提升城市环境中全局定位的准确性？
• RQ2 与松耦合或基于EKF的融合相比，联合优化视觉、惯性与原始GNSS误差在轨迹精度与鲁棒性方面表现如何？
• RQ3 在优化框架中，相机、IMU与GNSS接收机之间的传感器异步性在多大程度上可被缓解？
• RQ4 所提出的两阶段噪声GNSS测量剔除方法是否能在不显著增加计算成本的前提下提升精度？
• RQ5 该系统在城市峡谷与低纹理环境等挑战性场景下的表现如何？

主要发现

• 在CA 20190828173350序列中，该方法实现了14.33 m的平移RMSE，显著低于VINS-mono（19.08 m）、GNSS SPP（20.28 m）与VINS-Fusion（14.337 m），证明了其优越的精度。
• 在CA 20190828190411序列中，采用混合求解器时RMSE降低至4.455 m，而仅使用GNSS求解器时为5.941 m，表明两阶段剔除方法的有效性。
• 所有序列中的轨迹完整性均得到改善，该方法在GNSS信号 degraded 的环境中仍能保持高位置可用性。
• 系统生成的轨迹具有全局一致性，经投影至Google Earth后与真实城市路径对齐，验证了在复杂城市场景中的可靠性。
• 与仅使用GNSS求解器相比，第二阶段噪声测量剔除方法（混合求解器）平均将ATE降低25%，尽管平均耗时增加了25倍（24.66 ms vs. 0.389 ms）。
• 在所有测试序列中，该方法在平移与旋转精度方面均优于最先进VI-SLAM（VINS-mono）、GNSS单点定位（RTKLIB）以及松耦合方法（VINS-Fusion）。