[论文解读] Tightly Coupled Optimization-based GPS-Visual-Inertial Odometry with Online Calibration and Initialization

Shihao Han, Feiyang Deng+2 more|arXiv (Cornell University)|Mar 5, 2022

Robotics and Sensor-Based Localization被引用 8

一句话总结

本文提出了一种基于优化的紧密耦合GPS-视觉-惯性里程计系统，通过联合最小化视觉重投影误差、IMU预积分误差以及一种新型GPS残差，有效减少了长期运行中的轨迹漂移。该系统引入了GPS-IMU外参和时间偏移的在线标定方法，以及一种快速初始化方法，在EuRoC和KAIST数据集上表现出色，对视觉或GPS信号中断具有鲁棒性。

ABSTRACT

In this paper, we present a tightly coupled optimization-based GPS-Visual-Inertial odometry system to solve the trajectory drift of the visual-inertial odometry especially over long-term runs. Visual reprojection residuals, IMU residuals, and GPS measurement residuals are jointly minimized within a local bundle adjustment, in which we apply GPS measurements and IMU preintegration used for the IMU residuals to formulate a novel GPS residual. To improve the efficiency and robustness of the system, we propose a fast reference frames initialization method and an online calibration method for GPS-IMU extrinsic and time offset. In addition, we further test the performance and convergence of our online calibration method. Experimental results on EuRoC datasets show that our method consistently outperforms other tightly coupled and loosely coupled approaches. Meanwhile, this system has been validated on KAIST datasets, which proves that our system can work well in the case of visual or GPS failure.

研究动机与目标

• 通过将GPS测量值直接整合到优化框架中，解决视觉-惯性里程计（VIO）在长期运行中的轨迹漂移问题。
• 通过GPS-IMU外参和时间偏移的在线标定，提升系统的鲁棒性与效率。
• 开发一种快速参考帧初始化方法，以加速动态环境中的收敛速度。
• 验证系统在视觉或GPS信号退化情况下的性能与收敛性。
• 展示一种将视觉、惯性与GPS测量值紧密耦合的优化框架的有效性。

提出的方法

• 通过结合GPS测量值与IMU预积分结果，提出一种新型GPS残差，实现在优化过程中的紧密耦合。
• 执行局部捆绑调整，联合最小化视觉重投影误差、IMU预积分残差以及所提出的GPS残差。
• 提出一种基于滑动窗口优化框架的GPS-IMU外参与时间偏移在线标定方法。
• 采用一种快速参考帧初始化技术，以加速系统启动阶段的收敛。
• 使用紧密耦合的优化框架，将视觉、惯性与GPS测量值统一融合于一个代价函数中。
• 在EuRoC和KAIST数据集上验证系统性能，评估其在多样化条件（包括传感器故障）下的表现。

实验结果

研究问题

• RQ1 能否通过融合GPS、视觉与惯性测量的紧密耦合优化框架，显著减少VIO在长期运行中的轨迹漂移？
• RQ2 所提出的新型GPS残差公式与IMU预积分结合后，在提升估计精度方面效果如何？
• RQ3 GPS-IMU外参与时间偏移的在线标定是否能增强系统鲁棒性并减少初始化延迟？
• RQ4 在KAIST数据集上，系统在视觉或GPS信号退化情况下的表现如何？
• RQ5 所提出的在线标定方法在真实场景中的收敛特性与精度如何？

主要发现

• 所提系统在EuRoC数据集上始终优于紧密耦合与松散耦合方法，展现出更优的轨迹精度。
• 在KAIST数据集上验证了系统在视觉或GPS信号丢失情况下的鲁棒性能，证实其对传感器故障的抗性。
• 在线标定方法收敛稳定，通过校正GPS-IMU外参与时间偏移误差，显著提升了估计精度。
• 快速初始化方法相比传统技术显著缩短了收敛时间。
• 新型GPS残差公式增强了系统在长期运行中纠正漂移的能力。
• GPS、视觉与惯性测量的紧密耦合带来了比其他融合策略更一致且更精确的轨迹估计。