TON-VIO: Online Time Offset Modeling Networks for Robust Temporal Alignment in High Dynamic Motion VIO

要約

センサー間の時間的なずれ (時間オフセット) は、低コストの視覚慣性オドメトリ (VIO) システムでは一般的です。
このような時間的な不整合により、状態推定に一貫性のない制約が生じ、特に高動的運動シナリオにおいて重大な位置ドリフトが発生します。
この記事では、高ダイナミック モーション VIO の時間オフセットによって引き起こされる位置ドリフトを軽減するためのオンライン時間キャリブレーションに焦点を当てます。
時間オフセット観測モデルの場合、既存の方法のほとんどは、正確な状態推定または安定した視覚追跡に依存しています。
予測モデルの場合、現在の方法では時間オフセットをホワイト ガウス ノイズを含む定数値として過度に単純化します。
ただし、実際の高ダイナミックなシナリオでは、これらの理想的な条件が満たされることはほとんどなく、パフォーマンスが低下します。
この論文では、リアルタイムの時間的キャリブレーションを強化するために、オンライン タイム オフセット モデリング ネットワーク (TON) を紹介します。
TON は、時間オフセットの観測と予測モデリングの精度を向上させます。
具体的には、観測モデリングに関して、不安定な視覚追跡条件におけるフィーチャの速度計算を強化するフィーチャ速度観測ネットワークを提案します。
予測モデリングについては、その進化パターンを学習するための時間オフセット予測ネットワークを紹介します。
私たちの方法の有効性を強調するために、提案した TON を最適化ベースとフィルターベースの VIO システムの両方に統合します。
私たちのアプローチのパフォーマンスの向上を実証するために、シミュレーションと現実世界での実験が行われます。
さらに、VIO コミュニティに貢献するために、メソッドのコードを https://github.com/Franky-X/FVON-TPN でオープンソース化します。

要約(オリジナル)

Temporal misalignment (time offset) between sensors is common in low cost visual-inertial odometry (VIO) systems. Such temporal misalignment introduces inconsistent constraints for state estimation, leading to a significant positioning drift especially in high dynamic motion scenarios. In this article, we focus on online temporal calibration to reduce the positioning drift caused by the time offset for high dynamic motion VIO. For the time offset observation model, most existing methods rely on accurate state estimation or stable visual tracking. For the prediction model, current methods oversimplify the time offset as a constant value with white Gaussian noise. However, these ideal conditions are seldom satisfied in real high dynamic scenarios, resulting in the poor performance. In this paper, we introduce online time offset modeling networks (TON) to enhance real-time temporal calibration. TON improves the accuracy of time offset observation and prediction modeling. Specifically, for observation modeling, we propose feature velocity observation networks to enhance velocity computation for features in unstable visual tracking conditions. For prediction modeling, we present time offset prediction networks to learn its evolution pattern. To highlight the effectiveness of our method, we integrate the proposed TON into both optimization-based and filter-based VIO systems. Simulation and real-world experiments are conducted to demonstrate the enhanced performance of our approach. Additionally, to contribute to the VIO community, we will open-source the code of our method on: https://github.com/Franky-X/FVON-TPN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google