[论文解读] Visual-Inertial Odometry of Aerial Robots

Davide Scaramuzza, Zichao Zhang|arXiv (Cornell University)|Jun 7, 2019

Robotics and Sensor-Based Localization参考文献 36被引用 53

一句话总结

这本百科全书章节回顾了用于航空机器人视觉惯性里程计（VIO），详述了相机与IMU如何融合以估计位姿、速度和偏置，重点在耦合与非耦合方案以及平滑与滤波方法的对比。

ABSTRACT

Visual-Inertial odometry (VIO) is the process of estimating the state (pose and velocity) of an agent (e.g., an aerial robot) by using only the input of one or more cameras plus one or more Inertial Measurement Units (IMUs) attached to it. VIO is the only viable alternative to GPS and lidar-based odometry to achieve accurate state estimation. Since both cameras and IMUs are very cheap, these sensor types are ubiquitous in all today's aerial robots.

研究动机与目标

• 促进在GPS不可用或挑战性环境中对航空机器人进行鲁棒状态估计。
• 解释相机和IMU的互补作用以及为何它们的融合可以提升鲁棒性。
• 描述VIO架构（松耦合、紧耦合）与估计范式（滤波、定时滞平滑、全平滑）的特征。
• 讨论相机-IMU校准、同步以及在线/自校准的重要性。
• 突出可用的开源单目VIO系统以及对航空机器人的实际考虑。

提出的方法

• 描述VIO状态表示以及相机投影和IMU运动学的标准测量模型。
• 区分视觉和惯性数据的松耦合融合与紧耦合融合。
• 解释三大VIO范式：滤波、定时滞平滑和全平滑，包括它们在精度和计算方面的权衡。
• 讨论用于实时平滑后端的IMU预积分，以高效处理高速率IMU数据。
• 说明使用Kalibr等工具进行外参和时间偏移的在线标定。
• 概述代表性的单目VIO流水线（MSCKF、OKVIS、ROVIO、VINS-Mono、SVO+MSF、SVO+GTSAM）及其特征。

实验结果

研究问题

• RQ1 主要的VIO架构是什么，以及它们如何在精度与计算之间权衡以用于航空机器人？
• RQ2 相机-IMU校准与同步如何影响无人机应用中的VIO性能？
• RQ3 使用全平滑、定时滞平滑或滤波对VIO的精度和鲁棒性有何影响？
• RQ4 在飞行机器人中，开源单目VIO系统在姿态估计质量和实时性能方面的比较如何？

主要发现

• VIO 将相机图像与IMU数据结合来估计位姿、速度和传感器偏置，利用重力在单个IMU条件下解决尺度。
• 紧耦合融合通常比松耦合融合具有更高的精度，因为更好地利用原始测量。
• 全平滑器提供最高精度但计算成本高；定时滞平滑器提供平衡；滤波器最有效但可能积累漂移。
• 通过在更新之间重用IMU测量，IMU预积分使实时平滑后端成为可能。
• 相机-IMU的空间和时间标定至关重要，Kalibr是广泛使用的离线与在线标定工具箱。
• 存在若干开源单目VIO流水线（MSCKF、OKVIS、ROVIO、VINS-Mono、SVO+MSF、SVO+GTSAM），在功能、优化后端以及它们是立体还是单目方面各有权衡。