SchurVINS: Schur Complement-Based Lightweight Visual Inertial Navigation System

要約

視覚慣性航法システム（Visual Inertial Navigation System: VINS）にとって、精度と計算効率は最も重要な指標である。既存のVINSアルゴリズムは、高精度と低演算量のどちらか一方であり、リソースに制約のあるデバイスにおいて、高精度のローカライゼーションを提供することは困難である。そこで我々は、完全な残差モデルの構築による高精度と、Schur補数による低計算量の両方を保証できる、SchurVINSと名付けた新しいフィルタベースのVINSフレームワークを提案する。技術的には、まず勾配、ヘシアン、観測共分散を明示的にモデル化した完全な残差モデルを定式化する。次に、完全モデルをエゴ運動残差モデルとランドマーク残差モデルに分解するために、Schur補数を用いる。最後に、拡張カルマンフィルタ(EKF)更新をこれらの2つのモデルで高効率に実装する。EuRoCデータセットとTUM-VIデータセットで実験した結果、我々の手法は、精度と計算量の両方において、最先端の(SOTA)手法を顕著に上回ることが示された。我々の実験コードをオープンソースとして公開し、コミュニティに貢献する予定である。

要約(オリジナル)

Accuracy and computational efficiency are the most important metrics to Visual Inertial Navigation System (VINS). The existing VINS algorithms with either high accuracy or low computational complexity, are difficult to provide the high precision localization in resource-constrained devices. To this end, we propose a novel filter-based VINS framework named SchurVINS, which could guarantee both high accuracy by building a complete residual model and low computational complexity with Schur complement. Technically, we first formulate the full residual model where Gradient, Hessian and observation covariance are explicitly modeled. Then Schur complement is employed to decompose the full model into ego-motion residual model and landmark residual model. Finally, Extended Kalman Filter (EKF) update is implemented in these two models with high efficiency. Experiments on EuRoC and TUM-VI datasets show that our method notably outperforms state-of-the-art (SOTA) methods in both accuracy and computational complexity. We will open source our experimental code to benefit the community.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL