PO-VINS: An Efficient and Robust Pose-Only Visual-Inertial State Estimator With LiDAR Enhancement

要約

ポーズのみの視覚的表現によるポーズ調整 (PA) は、計算効率を大幅に向上させながら、バンドル調整 (BA) と同等であることが証明されています。
ただし、ポーズのみのソリューションは、リアルタイム ナビゲーション用の通常の構成を備えた密結合視覚慣性状態推定器 (VISE) ではまだ適切に考慮されていません。
この研究では、PO-VINS と呼ばれる、視覚および LiDAR 深度測定のための完全なポーズのみの形式を備えた、密結合された LiDAR 強化 VISE を提案します。
ポーズのみの視覚表現に基づいて、分析的な深度の不確実性を導き出し、それを LiDAR の深度外れ値を拒否するために使用します。
さらに、効率とロバスト性のバランスを取るために、ポーズオンリー形式のマルチステート制約 (MSC) ベースの LiDAR 深度測定モデルを提案します。
ポーズのみの視覚および LiDAR 深度測定と IMU 事前積分測定は、ファクター グラフ最適化フレームワークの下で緊密に統合され、効率的かつ正確な状態推定を実行します。
プライベートおよびパブリックのデータセットに関する徹底的な実験結果は、提案された PO-VINS が最先端の方法と同等の精度を向上させることを示しています。
ベースライン手法の LE-VINS と比較して、PO-VINS の状態推定効率は、ラップトップ PC で 33%、オンボード ARM コンピュータで 56% 向上しました。
さらに、PO-VINS は、提案された不確実性ベースの外れ値カリング方法と MSC ベースの LiDAR 深度測定モデルを採用することにより、LE-VINS よりも高い精度と堅牢性を実現します。

要約(オリジナル)

The pose adjustment (PA) with a pose-only visual representation has been proven equivalent to the bundle adjustment (BA), while significantly improving the computational efficiency. However, the pose-only solution has not yet been properly considered in a tightly-coupled visual-inertial state estimator (VISE) with a normal configuration for real-time navigation. In this study, we propose a tightly-coupled LiDAR-enhanced VISE, named PO-VINS, with a full pose-only form for visual and LiDAR-depth measurements. Based on the pose-only visual representation, we derive the analytical depth uncertainty, which is then employed for rejecting LiDAR depth outliers. Besides, we propose a multi-state constraint (MSC)-based LiDAR-depth measurement model with a pose-only form, to balance efficiency and robustness. The pose-only visual and LiDAR-depth measurements and the IMU-preintegration measurements are tightly integrated under the factor graph optimization framework to perform efficient and accurate state estimation. Exhaustive experimental results on private and public datasets indicate that the proposed PO-VINS yields improved or comparable accuracy to sate-of-the-art methods. Compared to the baseline method LE-VINS, the state-estimation efficiency of PO-VINS is improved by 33% and 56% on the laptop PC and the onboard ARM computer, respectively. Besides, PO-VINS yields higher accuracy and robustness than LE-VINS by employing the proposed uncertainty-based outlier-culling method and the MSC-based measurement model for LiDAR depth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google