[论文解读] Robocentric Visual-Inertial Odometry

Zheng Huai, Guoquan Huang|arXiv (Cornell University)|May 10, 2018

Robotics and Sensor-Based Localization参考文献 34被引用 6

一句话总结

本文提出R-VIO，一种以移动局部IMU帧为参考的机器人中心视觉-惯性里程计算法，而非固定全局帧。通过避免世界中心VINS固有的可观测性不匹配问题，并在平面运动等退化运动中实现鲁棒性能，R-VIO实现了更高的稳定性、准确性和效率——在真实城市驾驶和仿真测试中表现出最先进的性能，且计算成本极低。

ABSTRACT

In this paper, we propose a novel robocentric formulation of the visual-inertial navigation system (VINS) within a sliding-window filtering framework and design an efficient, lightweight, robocentric visual-inertial odometry (R-VIO) algorithm for consistent motion tracking even in challenging environments using only a monocular camera and a 6-axis IMU. The key idea is to deliberately reformulate the VINS with respect to a moving local frame, rather than a fixed global frame of reference as in the standard world-centric VINS, in order to obtain relative motion estimates of higher accuracy for updating global poses. As an immediate advantage of this robocentric formulation, the proposed R-VIO can start from an arbitrary pose, without the need to align the initial orientation with the global gravitational direction. More importantly, we analytically show that the linearized robocentric VINS does not undergo the observability mismatch issue as in the standard world-centric counterpart which was identified in the literature as the main cause of estimation inconsistency. Additionally, we investigate in-depth the special motions that degrade the performance in the world-centric formulation and show that such degenerate cases can be easily compensated in the proposed robocentric formulation, without resorting to additional sensors as in the world-centric formulation, thus leading to better robustness. The proposed R-VIO algorithm has been extensively tested through both Monte Carlo simulations and real-world experiments with different sensor platforms navigating in different environments, and shown to achieve better (or competitive at least) performance than the state-of-the-art VINS, in terms of consistency, accuracy and efficiency.

研究动机与目标

• 解决标准世界中心视觉-惯性导航系统（VINS）中存在的不一致性和可观测性不匹配问题。
• 在无需额外传感器的情况下，实现在平面运动等退化运动场景中的鲁棒运动跟踪。
• 开发一种轻量化、实时的视觉-惯性里程计系统，可从任意初始位姿启动，无需与全局重力对齐。
• 仅使用单目相机和六轴IMU，在动态和复杂环境中提升估计的一致性和准确性。
• 通过广泛的蒙特卡洛仿真和多样化的传感器平台与环境下的真实世界实验，验证所提方法。

提出的方法

• R-VIO算法采用滑动窗口扩展卡尔曼滤波（EKF），并引入机器人中心公式，其中状态估计相对于移动的局部IMU帧表达，而非固定全局帧。
• 该方法采用随机克隆技术，在固定滑动窗口内高效管理数百个特征，即使特征数量增加也能保持计算效率。
• 采用逆深度参数化表示特征，以提升数值稳定性，并在静态阶段处理尺度模糊性。
• 系统在直接EKF框架中直接融合视觉和惯性测量，避免了为移动局部帧而进行的复合步骤。
• 实施自适应更新率策略，在低动态阶段降低计算负载，同时在高速动态事件（如快速加速或减速）中保持高精度。
• 该算法在状态向量中联合估计局部重力和IMU偏差，增强了对尺度漂移的鲁棒性，并提升了z轴稳定性。

实验结果

研究问题

• RQ1 机器人中心VINS公式能否消除世界中心EKF-based VINS系统中存在的可观测性不匹配问题？
• RQ2 在标准VINS中因尺度可观测性丧失而难以处理的退化运动场景（如平面运动）中，所提出的R-VIO表现如何？
• RQ3 R-VIO能否在无需初始化对齐全局重力方向的情况下，实现高精度、一致的运动跟踪？
• RQ4 自适应更新率调度对动态驾驶场景中估计精度和计算效率有何影响？
• RQ5 在多样化的真实世界环境中，R-VIO与当前最先进的VINS方法相比，在一致性、准确性和实时性能方面表现如何？

主要发现

• 在城市驾驶测试中，R-VIO使用自适应更新率，平均位置RMSE分别为x方向24.222m、y方向18.901m、z方向7.689m，仅占总行驶距离的0.32%。
• 自适应更新率将平均漂移降低至9.8公里行驶距离内的5.917米，优于高更新率（8.274米）和低更新率（5.992米）配置。
• 在高速动态阶段（如加速至86公里/小时）使用高更新率（15Hz）时，R-VIO表现出优越性能，能紧密跟踪真实轨迹。
• 在减速阶段，低更新率有效补偿了尺度漂移，相比高更新率，实现了更准确的长期轨迹估计。
• 系统平均处理时间为每帧59.3毫秒，其中视觉跟踪与特征管理耗时54.8毫秒，EKF更新耗时4.5毫秒，证实了其实时可行性。
• 所提出的机器人中心公式在理论上避免了世界中心VINS中固有的可观测性不匹配问题，即使在平面运动中也无需额外传感器。