Joint On-Manifold Gravity and Accelerometer Intrinsics Estimation for Inertially Aligned Mapping

要約

ロボットの軌道またはマップを慣性系に位置合わせすることは重要な機能であり、慣性測定ユニット (IMU) が重力に対する絶対的なロールとピッチを観測できる場合でも、正確に行うのが難しいことがよくあります。
IMU の初期キャリブレーションによる加速度計のバイアスとスケール係数誤差は、特に低グレードの IMU の場合、ロボットのオドメトリ フレームを慣性フレームと位置合わせする際の主な誤差の原因となることがよくあります。
実際には、測定品質を向上させるために真の重力ベクトル、加速度計のバイアス、およびスケール係数を同時に推定しますが、これらの量は IMU が十分に励起されない限り観測できません。
加速度計のバイアスと重力を推定する方法はいくつかありますが、可観測性の問題に明示的に対処したり、スケール係数を推定したりすることはありません。
これらの問題の両方に対処するために、固定ラグのファクター グラフ ベースの推定器を提案します。
加速度計のスケール係数を推定することに加えて、私たちの方法は、計算負荷を大幅に低く抑えながら、既存の方法よりも 1 桁大きい時間枠にわたって最適化することで、可観測性の制限を軽減します。
加速度計の内部関数と重力を他の状態とは別に推定する提案手法は、内部関数と重力に対する新しい速度に依存しない測定モデルと、$S^2$ 上の重力ベクトル最適化のための新しい手法によって可能になります。
正確な IMU 状態予測、重力アライメント、ロール/ピッチ ドリフト補正が、さまざまな環境における公開データセットと自己収集データセットで実験的に実証されています。

要約(オリジナル)

Aligning a robot’s trajectory or map to the inertial frame is a critical capability that is often difficult to do accurately even though inertial measurement units (IMUs) can observe absolute roll and pitch with respect to gravity. Accelerometer biases and scale factor errors from the IMU’s initial calibration are often the major source of inaccuracies when aligning the robot’s odometry frame with the inertial frame, especially for low-grade IMUs. Practically, one would simultaneously estimate the true gravity vector, accelerometer biases, and scale factor to improve measurement quality but these quantities are not observable unless the IMU is sufficiently excited. While several methods estimate accelerometer bias and gravity, they do not explicitly address the observability issue nor do they estimate scale factor. We present a fixed-lag factor-graph-based estimator to address both of these issues. In addition to estimating accelerometer scale factor, our method mitigates limited observability by optimizing over a time window an order of magnitude larger than existing methods with significantly lower computational burden. The proposed method, which estimates accelerometer intrinsics and gravity separately from the other states, is enabled by a novel, velocity-agnostic measurement model for intrinsics and gravity, as well as a new method for gravity vector optimization on $S^2$. Accurate IMU state prediction, gravity-alignment, and roll/pitch drift correction are experimentally demonstrated on public and self-collected datasets in diverse environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google