[论文解读] VIRAL-Fusion: A Visual-Inertial-Ranging-Lidar Sensor Fusion Approach

Thien‐Minh Nguyen, Shenghai Yuan+4 more|arXiv (Cornell University)|Oct 23, 2020

Robotics and Sensor-Based Localization参考文献 33被引用 7

一句话总结

该论文提出VIRAL-Fusion，一种基于优化的传感器融合框架，整合了视觉-惯性里程计、LiDAR、超宽带（UWB）测距和惯性测量单元（IMUs），以实现无漂移、高精度的无人机定位。通过采用滑动窗口优化方法，结合UWB测距测量提供的位置、姿态和速度耦合约束以及IMU预积分，该方法在极少基础设施依赖下实现了长期轨迹一致性，实测中平移误差RMSE低于0.4m。

ABSTRACT

In recent years, Onboard Self Localization (OSL) methods based on cameras or Lidar have achieved many significant progresses. However, some issues such as estimation drift and feature-dependence still remain inherent limitations. On the other hand, infrastructure-based methods can generally overcome these issues, but at the expense of some installation cost. This poses an interesting problem of how to effectively combine these methods, so as to achieve localization with long-term consistency as well as flexibility compared to any single method. To this end, we propose a comprehensive optimization-based estimator for 15-dimensional state of an Unmanned Aerial Vehicle (UAV), fusing data from an extensive set of sensors: inertial measurement units (IMUs), Ultra-Wideband (UWB) ranging sensors, and multiple onboard Visual-Inertial and Lidar odometry subsystems. In essence, a sliding window is used to formulate a sequence of robot poses, where relative rotational and translational constraints between these poses are observed in the IMU preintegration and OSL observations, while orientation and position are coupled in body-offset UWB range observations. An optimization-based approach is developed to estimate the trajectory of the robot in this sliding window. We evaluate the performance of the proposed scheme in multiple scenarios, including experiments on public datasets, high-fidelity graphical-physical simulator, and field-collected data from UAV flight tests. The result demonstrates that our integrated localization method can effectively resolve the drift issue, while incurring minimal installation requirements.

研究动机与目标

• 解决基于相机和LiDAR的机载自定位（OSL）系统固有的长期估计漂移与帧对齐问题。
• 开发一种灵活、低成本的定位解决方案，在不依赖昂贵基础设施或环境先验知识的情况下保持全局一致性。
• 将UWB测距与机体偏移定位及姿态耦合相结合，同时校正位置和姿态漂移。
• 通过同步的、基于优化的估计器，将高采样率IMU数据与OSL及UWB测量相结合，实现完整的15维状态估计。
• 在真实无人机飞行、仿真和公开数据集中验证系统的鲁棒性与精度。

提出的方法

• 采用滑动窗口优化框架，对无人机的完整15维状态（位置、姿态、速度）进行时间序列估计。
• 引入IMU预积分以建模连续位姿之间的相对运动，并补偿偏差。
• 将UWB测距测量与机体偏移配置相结合，使测距测量同时耦合位置与姿态估计。
• 从视觉-惯性与LiDAR里程计系统构建相对位姿约束，以在滑动窗口内保持一致性。
• 采用受先进VIO系统启发的同步方案，将高采样率IMU数据与低采样率视觉和LiDAR测量对齐。
• 在ROS框架中使用Ceres Solver执行结合所有传感器测量的代价函数的流形优化。

实验结果

研究问题

• RQ1 统一的优化框架能否有效融合视觉-惯性、LiDAR和UWB测距数据，以纠正无人机定位中的长期漂移？
• RQ2 将姿态与UWB测距测量耦合，如何提升位置与姿态估计的一致性？
• RQ3 在仅部署最少数量的UWB锚点（最少三个）的情况下，能否在无先验地图知识条件下实现全局一致的定位？
• RQ4 在多样化环境与运动轨迹下，所提出的融合方案在精度与鲁棒性方面相较于独立的OSL系统表现如何？
• RQ5 在实时无人机场景中，传感器同步与偏差建模对整体估计性能有何影响？

主要发现

• 在真实世界数据集#03中，VIRAL-Fusion系统将平移RMSE降低至0.1692m，显著优于VINS-Fusion（2.4057m）和LOAM（12.1921m）。
• 姿态估计误差受到良好控制，旋转RMSE为2.7682°，而VINS-Fusion为10.1036°，LOAM为11.5245°（同一数据集）。
• 系统在着陆期间成功识别并排除了因信号遮挡引起的UWB异常值，展现出在真实环境下的鲁棒性。
• 在地面真值暂时丢失的场景中，VIRAL方法保持误差有界，而OSL方法随时间推移出现显著漂移。
• 仅部署三个UWB锚点即可实现全局一致的定位，安装需求极低，且无需先验地图知识。
• 机体偏移UWB配置成功实现了位置与姿态的耦合，无需额外传感器即可同时防止两者漂移。