SchurVINS: Schur Complement-Based Lightweight Visual Inertial Navigation System

要約

精度と計算効率は、視覚慣性航法システム (VINS) にとって最も重要な指標です。
高精度または低計算量の既存の VINS アルゴリズムでは、リソースに制約のあるデバイスで高精度の位置特定を実現するのは困難です。
この目的を達成するために、我々は、完全な残差モデルを構築することによる高い精度と、シュール補数による低い計算量の両方を保証できる、SchurVINS という名前の新しいフィルターベースの VINS フレームワークを提案します。
技術的には、最初に、勾配、ヘッセ行列、および観測共分散が明示的にモデル化される完全な残差モデルを定式化します。
次に、シュール補体を使用して、完全なモデルをエゴモーション残差モデルとランドマーク残差モデルに分解します。
最後に、拡張カルマン フィルター (EKF) アップデートがこれら 2 つのモデルに高効率で実装されています。
EuRoC および TUM-VI データセットの実験では、私たちの手法が精度と計算複雑さの両方で最先端 (SOTA) 手法よりも著しく優れていることが示されています。
SchurVINS の実験コードは https://github.com/bytedance/SchurVINS で入手できます。

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. The experimental code of SchurVINS is available at https://github.com/bytedance/SchurVINS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google