[论文解读] PL-VINS: Real-Time Monocular Visual-Inertial SLAM with Point and Line

Qiang Fu, Jialong Wang+4 more|arXiv (Cornell University)|Sep 16, 2020

Robotics and Sensor-Based Localization参考文献 23被引用 22

一句话总结

PL-VINS 提出了一种实时单目视觉-惯性 SLAM 系统，通过融合点特征与线特征以提升定位精度。通过改进的 LSD 算法优化线特征提取，并利用普吕克坐标（Plücker coordinates）通过迭代最小化中点到线距离的方式建模线特征，相较于在 1.1 GHz CPU 上无 GPU 加速的 VINS-Mono，其定位误差降低了 12–16%。

ABSTRACT

Leveraging line features to improve location accuracy of point-based visual-inertial SLAM (VINS) is gaining importance as they provide additional constraint of scene structure regularity, however, real-time performance has not been focused. This paper presents PL-VINS, a real-time optimization-based monocular VINS method with point and line, developed based on state-of-the-art point-based VINS-Mono \cite{vins}. Observe that current works use LSD \cite{lsd} algorithm to extract lines, however, the LSD is designed for scene shape representation instead of specific pose estimation problem, which becomes the bottleneck for the real-time performance due to its expensive cost. In this work, a modified LSD algorithm is presented by studying hidden parameter tuning and length rejection strategy. The modified LSD can run three times at least as fast as the LSD. Further, by representing a line landmark with Pl\{u}cker coordinate, the line reprojection residual is modeled as midpoint-to-line distance then minimized by iteratively updating the minimum four-parameter orthonormal representation of the Pl\{u}cker coordinate. Experiments in public EuRoc benchmark dataset show the location error of our method is down 12-16\% compared to VINS-Mono at the same work frequency on a low-power CPU @1.1 GHz without GPU parallelization. For the benefit of the community, we make public the source code: extit{https://github.com/cnqiangfu/PL-VINS

研究动机与目标

• 通过引入线特征作为结构约束，提升单目视觉-惯性 SLAM 中的定位精度。
• 解决现有方法中昂贵的线特征提取导致的实时性能瓶颈，特别是使用 LSD 算法时的问题。
• 开发一种高效的线特征表示与优化方法，利用普吕克坐标实现鲁棒的线特征建模。
• 在无 GPU 加速的低功耗 CPU 上实现高精度与实时性能。
• 发布开源代码，以支持社区采纳与进一步研究。

提出的方法

• 提出一种改进的 LSD 算法，通过调优隐藏参数并引入长度拒收策略，使线特征提取速度至少提升三倍。
• 采用普吕克坐标表示线特征，实现紧凑的四参数正交表示。
• 将线特征重投影残差建模为 3D 点中点到 3D 线的距离，并通过迭代优化最小化该距离。
• 通过迭代更新普吕克坐标表示，以优化线特征建模的精度。
• 在基于优化的 VINS 框架中集成点特征与线特征，扩展 VINS-Mono 的混合特征跟踪机制。
• 系统设计为可在低功耗 CPU 上实现实时运行，避免对 GPU 的依赖。

实验结果

研究问题

• RQ1 在不牺牲实时性能的前提下，将线特征集成到单目 VINS 中是否能提升定位精度？
• RQ2 如何显著加速线特征提取，以支持在低功耗硬件上的实时 SLAM？
• RQ3 在视觉-惯性状态估计框架中，表示与优化线特征的最有效方法是什么？
• RQ4 使用普吕克坐标如何改善线特征表示与重投影误差最小化？
• RQ5 与仅使用点特征的 VINS 相比，线特征在标准基准测试中能将定位误差降低多少？

主要发现

• 改进的 LSD 算法使线特征提取速度比原始 LSD 至少快三倍，支持实时性能。
• 在 1.1 GHz CPU 上以相同频率运行时，PL-VINS 在 EuRoC 基准测试中相比 VINS-Mono 将定位误差降低了 12–16%。
• 结合普吕克坐标与中点到线距离的迭代最小化方法，显著提升了线特征建模的精度。
• 系统在无 GPU 加速的情况下实现了实时性能，适用于低功耗嵌入式平台。
• 开源代码的发布确保了结果的可复现性，并推动了混合点-线 SLAM 领域的未来研究。