[论文解读] Visual-Inertial Localization for Skid-Steering Robots with Kinematic Constraints

Xingxing Zuo, Mingming Zhang+4 more|arXiv (Cornell University)|Nov 13, 2019

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文提出了一种针对滑移转向机器人、采用紧密耦合视觉-惯性定位系统的方案，通过显式建模时变运动学约束（利用瞬时旋转中心，ICR）动力学，并在线估计这些参数，同时联合估计导航状态。通过将基于ICR的运动学参数整合进滑动窗口束调整（BA）框架，该方法显著提升了三维定位精度——在室外和室内场景中，误差最高可降低一个数量级，尤其在GPS不可用或信号衰减时表现更优。

ABSTRACT

While visual localization or SLAM has witnessed great progress in past decades, when deploying it on a mobile robot in practice, few works have explicitly considered the kinematic (or dynamic) constraints of the real robotic system when designing state estimators. To promote the practical deployment of current state-of-the-art visual-inertial localization algorithms, in this work we propose a low-cost kinematics-constrained localization system particularly for a skid-steering mobile robot. In particular, we derive in a principle way the robot's kinematic constraints based on the instantaneous centers of rotation (ICR) model and integrate them in a tightly-coupled manner into the sliding-window bundle adjustment (BA)-based visual-inertial estimator. Because the ICR model parameters are time-varying due to, for example, track-to-terrain interaction and terrain roughness, we estimate these kinematic parameters online along with the navigation state. To this end, we perform in-depth the observability analysis and identify motion conditions under which the state/parameter estimation is viable. The proposed kinematics-constrained visual-inertial localization system has been validated extensively in different terrain scenarios.

研究动机与目标

• 解决现有视觉-惯性SLAM系统在真实机器人平台中缺乏显式运动学约束建模的问题。
• 通过建模因地形相互作用和机械缺陷导致的时变ICR运动学特性，提升滑移转向机器人的定位精度。
• 在GPS拒止环境中，利用低成本传感器（摄像头、IMU、轮速编码器）实现鲁棒、实时的三维定位。
• 通过理论分析确保在一般运动条件下运动学参数的可观测性。
• 在多种地形类型下验证系统性能，包括有GPS和无GPS的室内外场景。

提出的方法

• 使用瞬时旋转中心（ICR）对机器人本体、左履带和右履带进行运动学建模，以捕捉非完整约束特性。
• 建立时变运动学参数（如ICR位置、尺度因子等）以反映打滑和地形粗糙度的影响。
• 将基于ICR的运动学约束整合进紧密耦合的滑动窗口束调整（BA）估计器中，实现视觉、惯性和里程计测量的联合优化。
• 在BA框架中实时在线估计运动学参数，将其作为与位姿和速度并列的状态变量。
• 进行可观测性分析，证明在一般运动条件下运动学参数具有局部可观测性，尤其在IMU数据可用时。
• 采用双机器人实验平台（Clearpath Jackal）并结合RTK-GPS获取真值，对20个多样化序列进行性能评估。

实验结果

研究问题

• RQ1 在线估计时变ICR运动学参数是否能提升滑移转向机器人的视觉-惯性定位精度？
• RQ2 在何种运动条件下，滑移转向机器人的运动学参数在视觉-惯性估计框架中具有可观测性？
• RQ3 在真实世界、GPS拒止环境中，与忽略或近似运动学约束的基线方法相比，所提方法表现如何？
• RQ4 ICR建模的引入在多大程度上减少了长期定位中的漂移？
• RQ5 在不同地形条件和初始参数不确定性下，系统能否保持准确且一致的运动学参数估计？

主要发现

• 在20个代表性序列中，所提方法将最终漂移降低了一个数量级，室内外环境均有显著改善。
• 在GPS可用的序列中，均方根误差（RMSE）从无运动学建模时的9.41米降至ICR参数在线估计（ξ）下的0.82米（序列CP01-2019-04-19-15-42-40）。
• 即使从较差的初始估计出发，运动学参数也能快速收敛至正确值，且不确定性包络随时间迅速缩小。
• 可观测性分析证实，运动学参数在一般运动下具有局部可观测性，但当排除IMU数据时可观测性会失效。
• 采用在线ICR参数估计的轨迹估计与RTK-GPS真值高度吻合，如图5所示的视觉对比所示，尤其在复杂地形的挑战性序列中表现优异。
• 该方法在多种地形（平坦、颠簸、不平整）下均表现出鲁棒性，验证了其实际部署可行性。