[论文解读] Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM

Tong Qin, Perliang Li+1 more|arXiv (Cornell University)|Mar 5, 2018

Robotics and Sensor-Based Localization参考文献 23被引用 8

一句话总结

该论文提出了一种实时单目视觉-惯性SLAM系统，支持重定位、4-DOF位姿图优化和地图合并，以纠正漂移并实现全局一致性。通过利用DBoW2进行回环检测并实现紧密耦合的特征级融合，系统能够重用先前构建的地图，并实时合并新数据，在EuRoC数据集上500米轨迹的平均轨迹误差（ATE）达到0.34米，并在室外环境中与Google Maps实现精确对齐。

ABSTRACT

The monocular visual-inertial system (VINS), which consists one camera and one low-cost inertial measurement unit (IMU), is a popular approach to achieve accurate 6-DOF state estimation. However, such locally accurate visual-inertial odometry is prone to drift and cannot provide absolute pose estimation. Leveraging history information to relocalize and correct drift has become a hot topic. In this paper, we propose a monocular visual-inertial SLAM system, which can relocalize camera and get the absolute pose in a previous-built map. Then 4-DOF pose graph optimization is performed to correct drifts and achieve global consistent. The 4-DOF contains x, y, z, and yaw angle, which is the actual drifted direction in the visual-inertial system. Furthermore, the proposed system can reuse a map by saving and loading it in an efficient way. Current map and previous map can be merged together by the global pose graph optimization. We validate the accuracy of our system on public datasets and compare against other state-of-the-art algorithms. We also evaluate the map merging ability of our system in the large-scale outdoor environment. The source code of map reuse is integrated into our public code, VINS-Mono.

研究动机与目标

• 通过实现全局位姿校正和绝对位姿估计，解决单目视觉-惯性里程计中的漂移累积问题。
• 允许在先前构建的地图中实现相机重定位，从而无论初始位置如何，均可实现绝对位姿估计。
• 支持在不同时间序列之间进行增量式地图合并，实现长期地图演化。
• 通过持久化存储和加载位姿图，实现高效的地图重用，以支持实时运行。
• 通过实时4-DOF位姿图优化，实现在大规模环境中的全局一致性。

提出的方法

• 使用DBoW2进行图像检索，以检测当前地图与先前地图之间的回环闭合。
• 通过单目VIO与检索到的地图特征之间的紧密耦合特征级融合实现重定位。
• 应用4-DOF位姿图优化（x, y, z, 偏航）以校正视觉-惯性系统通常发生漂移的方向。
• 高效地保存和加载位姿图，以实现在不同系统启动之间重用先前构建的地图。
• 利用几何验证的回环闭合并结合全局优化，将新地图序列增量式地合并到现有地图中。
• 采用硬件同步的单目摄像头与低成本IMU（ADXL278/ADXRS290）实现实时状态估计。

实验结果

研究问题

• RQ1 单目视觉-惯性SLAM系统是否能在先前构建的地图中实现精确重定位，以恢复绝对位姿？
• RQ2 与完整的6-DOF优化相比，4-DOF位姿图优化（x, y, z, 偏航）在纠正视觉-惯性系统漂移方面的有效性如何？
• RQ3 能否将不同时期采集的多个视觉-惯性序列合并为一个一致且全局对齐的地图？
• RQ4 系统在执行重定位和全局优化的同时，能在多大程度上保持实时性能？
• RQ5 在具有显著轨迹变化和未知初始位姿的大规模室外环境中，系统表现如何？

主要发现

• 在EuRoC数据集中将五个序列合并后，系统在500米长轨迹上的平均轨迹误差（ATE）达到0.34米，证明了其在全局一致性方面的高精度。
• 所提出的4-DOF位姿图优化能有效校正单目视觉-惯性系统中主要的漂移模式（x, y, z, 偏航方向）。
• 系统成功将合并后的轨迹与室外环境中的Google Maps对齐，验证了其在真实场景中的适用性和全局一致性。
• 地图重用和增量式合并实现高效，位姿图保存耗时907毫秒，加载耗时4464毫秒，支持持久化的地图演化。
• 系统在标准台式计算机上实时运行，每次回环闭合的位姿图优化耗时186毫秒，VIO处理频率为10Hz。
• 通过特征级融合实现实时重定位，即使从未知位置启动，也能实现绝对位姿估计。