SP-VIO: Robust and Efficient Filter-Based Visual Inertial Odometry with State Transformation Model and Pose-Only Visual Description

要約

高い計算効率と少ないメモリ要件という利点により、フィルタベースの視覚慣性オドメトリ (VIO) は、小型化されペイロードに制約のある組み込みシステムでの応用が期待されています。
しかしながら、フィルタベースの方法では精度が不十分であるという問題がある。
この目的を達成するために、状態と測定モデルを再構築し、さらに視覚が奪われた状態を考慮することにより、状態変換とポーズのみの VIO (SP-VIO) を提案します。
詳細には、最初に二重状態変換拡張カルマン フィルター (DST-EKF) に基づくシステム モデルを提案しました。これは、拡張カルマン フィルター (EKF) や状態変換拡張カルマン フィルターに基づくモデルよりも可観測性と一貫性が優れていることが証明されています。
フィルター（ST-EKF）。
次に、不正確な 3D 再構成によって引き起こされる線形化誤差の影響を軽減するために、Pose-only (PO) 理論を採用して、測定モデルを 3D 特徴から切り離します。
さらに、視覚が遮断された状況に対処するために、視覚遮断中の運動軌跡を最適化する二重状態変換 Rauch-Tung-Striebel (DST-RTS) バックトラッキング手法を提案します。
パブリック (EuRoC、Tum-VI、KITTI) および個人のデータセットでの実験では、SP-VIO が最先端 (SOTA) VIO アルゴリズムよりも精度と効率が高く、視覚が奪われた条件下でも堅牢性が優れていることが示されています。

要約(オリジナル)

Due to the advantages of high computational efficiency and small memory requirements, filter-based visual inertial odometry (VIO) has a good application prospect in miniaturized and payload-constrained embedded systems. However, the filter-based method has the problem of insufficient accuracy. To this end, we propose the State transformation and Pose-only VIO (SP-VIO) by rebuilding the state and measurement models, and considering further visual deprived conditions. In detail, we first proposed a system model based on the double state transformation extended Kalman filter (DST-EKF), which has been proven to have better observability and consistency than the models based on extended Kalman filter (EKF) and state transformation extended Kalman filter (ST-EKF). Secondly, to reduce the influence of linearization error caused by inaccurate 3D reconstruction, we adopt the Pose-only (PO) theory to decouple the measurement model from 3D features. Moreover, to deal with visual deprived conditions, we propose a double state transformation Rauch-Tung-Striebel (DST-RTS) backtracking method to optimize motion trajectories during visual interruption. Experiments on public (EuRoC, Tum-VI, KITTI) and personal datasets show that SP-VIO has better accuracy and efficiency than state-of-the-art (SOTA) VIO algorithms, and has better robustness under visual deprived conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google