VIO-DualProNet: Visual-Inertial Odometry with Learning Based Process Noise Covariance

要約

視覚慣性オドメトリ (VIO) は、ロボット工学、拡張現実、自動運転車で使用される重要な技術です。
視覚的測定と慣性測定を組み合わせて、位置と方向を正確に推定します。
既存の VIO 手法は、慣性の不確かさに対して固定ノイズ共分散を仮定しています。
ただし、慣性センサーのノイズ分散をリアルタイムで正確に決定することは、動作全体を通じて不確実性が変化し、最適化されていないパフォーマンスや精度の低下につながるため、大きな課題となります。
これを回避するために、深層学習手法を利用して慣性ノイズの不確実性をリアルタイムで動的に推定する新しいアプローチである VIO-DualProNet を提案します。
慣性センサーの測定のみを使用して慣性ノイズの不確実性を予測するディープ ニューラル ネットワークを設計およびトレーニングし、それを VINS-Mono アルゴリズムに統合することにより、精度と堅牢性が大幅に向上し、VIO のパフォーマンスが向上し、他の VIO ベースのシステムにも恩恵をもたらす可能性があることを実証しました。
さまざまな条件にわたる正確な位置特定とマッピングを実現します。

要約(オリジナル)

Visual-inertial odometry (VIO) is a vital technique used in robotics, augmented reality, and autonomous vehicles. It combines visual and inertial measurements to accurately estimate position and orientation. Existing VIO methods assume a fixed noise covariance for the inertial uncertainty. However, accurately determining in real-time the noise variance of the inertial sensors presents a significant challenge as the uncertainty changes throughout the operation leading to suboptimal performance and reduced accuracy. To circumvent this, we propose VIO-DualProNet, a novel approach that utilizes deep learning methods to dynamically estimate the inertial noise uncertainty in real-time. By designing and training a deep neural network to predict inertial noise uncertainty using only inertial sensor measurements, and integrating it into the VINS-Mono algorithm, we demonstrate a substantial improvement in accuracy and robustness, enhancing VIO performance and potentially benefiting other VIO-based systems for precise localization and mapping across diverse conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google