MINS: Efficient and Robust Multisensor-aided Inertial Navigation System

要約

IMU、ホイール エンコーダ、カメラ、LiDAR、GPS などのマルチモーダル測定の堅牢なマルチセンサーの融合は、センサーの故障や測定の異常値に対する回復力を向上させ、それによって堅牢な自律性を可能にする本来の機能により、大きな可能性を秘めています。
私たちの知る限り、この研究は、特定の課題に対処することによって、最も一般的なナビゲーション センサーを効率的なフィルタリング フレームワークに融合できる、一貫した密結合マルチセンサー支援慣性航法システム (MINS) を開発した最初の研究の 1 つです。
計算の複雑さ、センサーの非同期性、センサー内キャリブレーションなど。
特に、効率的な非同期センサー融合と状態管理戦略 (つまり、動的クローン作成) を可能にする、一貫した高次の多様体上補間スキームを提案します。
提案された動的クローン作成では、動きに起因する情報を利用して補間順序を適応的に選択し、軌道表現エラーを最小限に抑えながら計算の複雑さを制御します。
当社は、すべてのオンボード センサーの内部および外部 (時空間) キャリブレーションをオンラインで実行し、以前の不十分なキャリブレーションや時間の経過とともに変化する劣化したキャリブレーションを補正します。
さらに、外受容センサーではなく、IMUとホイールエンコーダーの固有受容測定のみを使用した初期化方法を開発しました。これは、環境の影響が少なく、非常に動的なシナリオでより堅牢であることが示されています。
私たちは、提案された MINS をシミュレーションや大規模で困難な現実世界のデータセットで広範囲に検証し、位置特定の精度、一貫性、計算効率の点で既存の最先端の方法を上回っています。
また、コミュニティの利益のために、アルゴリズム、シミュレーター、評価ツールボックスをオープンソース化しました: https://github.com/rpng/mins。

要約(オリジナル)

Robust multisensor fusion of multi-modal measurements such as IMUs, wheel encoders, cameras, LiDARs, and GPS holds great potential due to its innate ability to improve resilience to sensor failures and measurement outliers, thereby enabling robust autonomy. To the best of our knowledge, this work is among the first to develop a consistent tightly-coupled Multisensor-aided Inertial Navigation System (MINS) that is capable of fusing the most common navigation sensors in an efficient filtering framework, by addressing the particular challenges of computational complexity, sensor asynchronicity, and intra-sensor calibration. In particular, we propose a consistent high-order on-manifold interpolation scheme to enable efficient asynchronous sensor fusion and state management strategy (i.e. dynamic cloning). The proposed dynamic cloning leverages motion-induced information to adaptively select interpolation orders to control computational complexity while minimizing trajectory representation errors. We perform online intrinsic and extrinsic (spatiotemporal) calibration of all onboard sensors to compensate for poor prior calibration and/or degraded calibration varying over time. Additionally, we develop an initialization method with only proprioceptive measurements of IMU and wheel encoders, instead of exteroceptive sensors, which is shown to be less affected by the environment and more robust in highly dynamic scenarios. We extensively validate the proposed MINS in simulations and large-scale challenging real-world datasets, outperforming the existing state-of-the-art methods, in terms of localization accuracy, consistency, and computation efficiency. We have also open-sourced our algorithm, simulator, and evaluation toolbox for the benefit of the community: https://github.com/rpng/mins.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google