[论文解读] Run Your Visual-Inertial Odometry on NVIDIA Jetson: Benchmark Tests on a Micro Aerial Vehicle

Jinwoo Jeon, Sungwook Jung+3 more|arXiv (Cornell University)|Mar 2, 2021

Robotics and Sensor-Based Localization参考文献 36被引用 6

一句话总结

本论文在NVIDIA Jetson TX2、Xavier NX和AGX Xavier平台上，使用包含具有挑战性的旋转轨迹的新型KAIST VIO数据集，对10种视觉-惯性里程计（VIO）算法（单目、双目及IMU增强型）进行了基准测试。主要发现显示，在TX2平台上，GPU加速的VINS-Fusion-gpu表现最佳；而在AGX Xavier平台上，所有算法均实现了更优的精度，尤其在纯旋转场景中表现突出。

ABSTRACT

This paper presents benchmark tests of various visual(-inertial) odometry algorithms on NVIDIA Jetson platforms. The compared algorithms include mono and stereo, covering Visual Odometry (VO) and Visual-Inertial Odometry (VIO): VINS-Mono, VINS-Fusion, Kimera, ALVIO, Stereo-MSCKF, ORB-SLAM2 stereo, and ROVIO. As these methods are mainly used for unmanned aerial vehicles (UAVs), they must perform well in situations where the size of the processing board and weight is limited. Jetson boards released by NVIDIA satisfy these constraints as they have a sufficiently powerful central processing unit (CPU) and graphics processing unit (GPU) for image processing. However, in existing studies, the performance of Jetson boards as a processing platform for executing VO/VIO has not been compared extensively in terms of the usage of computing resources and accuracy. Therefore, this study compares representative VO/VIO algorithms on several NVIDIA Jetson platforms, namely NVIDIA Jetson TX2, Xavier NX, and AGX Xavier, and introduces a novel dataset 'KAIST VIO dataset' for UAVs. Including pure rotations, the dataset has several geometric trajectories that are harsh to visual(-inertial) state estimation. The evaluation is performed in terms of the accuracy of estimated odometry, CPU usage, and memory usage on various Jetson boards, algorithms, and trajectories. We present the {results of the} comprehensive benchmark test and release the dataset for the computer vision and robotics applications.

研究动机与目标

• 评估最先进的视觉-惯性里程计（VIO）算法在适用于微型无人机（UAV）的资源受限Jetson平台上的性能。
• 解决现有研究中在CPU使用率和内存消耗方面，对VO/VIO算法在Jetson板卡上缺乏全面基准测试的问题。
• 提出一种新型KAIST VIO数据集，包含具有挑战性的旋转轨迹（如纯旋转、高速转弯），以支持鲁棒的VIO评估。
• 基于计算约束和运动特性，为UAV系统提供选择最优算法-平台组合的实际指导。
• 展示硬件差异（TX2、NX、AGX Xavier）对VIO性能的影响，特别是在高动态和强旋转场景下的表现。

提出的方法

• 对10种VO/VIO算法（VINS-Mono、ROVIO、ALVIO（单目）、ORB-SLAM2（双目）、VINS-Fusion（带/不带IMU）、VINS-Fusion-gpu、Stereo-MSCKF、Kimera（双目-VIO））进行了全面基准测试。
• 在三种Jetson平台（TX2、Xavier NX、AGX Xavier）上评估所有算法，测量其精度、CPU使用率和内存消耗。
• 设计并采集了KAIST VIO数据集，包含四种几何轨迹：圆形、无穷符号形、方形以及pure_rotation，每种轨迹均以正常速度和高速度执行，并包含头部旋转。
• 使用动作捕捉系统获取真值，从而在具有挑战性的旋转场景中实现对里程计误差的精确评估。
• 采用统一的实验设置，确保所有测试中硬件、传感器配置（Intel Realsense D435i、Pixhawk4 mini）和飞行条件完全一致。
• 对不同平台和算法之间的误差差异进行统计分析，特别关注在旋转运动下平移误差和航向角误差的变化。

实验结果

研究问题

• RQ1 在Jetson TX2、Xavier NX和AGX Xavier平台上，不同VO/VIO算法在精度、CPU使用率和内存消耗方面的表现如何？
• RQ2 哪些算法-平台组合在计算效率与估计精度之间实现了最佳平衡，适用于微型无人机？
• RQ3 旋转运动（尤其是纯旋转和高速转弯）如何影响VO/VIO算法的性能？
• RQ4 GPU加速在较低端的Jetson板卡（如TX2）上能在多大程度上提升VIO性能？
• RQ5 Jetson平台之间在CPU和GPU性能上的差异，如何影响双目和单目VIO方法的稳定性和精度？

主要发现

• 在TX2平台上，由于GPU加速有效弥补了CPU性能的不足，VINS-Fusion-gpu在旋转轨迹中表现最佳。
• 在纯旋转序列中，VINS-Fusion-imu和VINS-Fusion-gpu的误差低于标准VINS-Fusion，凸显了在高动态运动中IMU集成的重要性。
• ROVIO和ALVIO在所有Jetson平台上的性能变化极小，表明其在低资源环境下的高度优化。
• 由于仅依赖CPU处理且单帧处理时间有限，基于双目的算法（ORB-SLAM2、Stereo-MSCKF、Kimera）在TX2上的误差高于单目方法。
• 在Xavier NX和AGX Xavier平台上，得益于更强的CPU和内存性能，双目VIO方法优于单目方法，其中AGX Xavier在所有算法中表现出最低的整体误差。
• KAIST VIO数据集中的纯旋转序列有效暴露了VIO估计中的缺陷，尤其针对缺乏鲁棒IMU集成或GPU加速的算法。