Improving Monocular Visual-Inertial Initialization with Structureless Visual-Inertial Bundle Adjustment

要約

単眼の視覚慣性臭気（VIO）は、センサースイートのサイズが小さいと低消費電力のおかげで、幅広いリアルタイムモーショントラッキングアプリケーションを促進しました。
Vioアルゴリズムをブートストラップするために、初期化モジュールは非常に重要です。
ほとんどの初期化方法は、3D視覚ポイント雲の再構築に依存しています。
状態ベクトルには運動状態と3D機能ポイントの両方が含まれるため、これらの方法は高い計算コストに悩まされています。
この問題に対処するために、一部の研究者は最近、3D構造を回復せずに初期状態を解決できる構造のない初期化方法を提案しました。
ただし、この方法は、回転と翻訳の推定が分離されているため、線形制約のためにパフォーマンスを潜在的に損なう可能性があります。
その精度を向上させるために、以前の構造のないソリューションをさらに改善するために、新しい構造のない視覚的介入バンドル調整を提案します。
現実世界のデータセットでの広範な実験は、リアルタイムのパフォーマンスを維持しながら、Vioの初期化の精度を大幅に改善することを示しています。

要約(オリジナル)

Monocular visual inertial odometry (VIO) has facilitated a wide range of real-time motion tracking applications, thanks to the small size of the sensor suite and low power consumption. To successfully bootstrap VIO algorithms, the initialization module is extremely important. Most initialization methods rely on the reconstruction of 3D visual point clouds. These methods suffer from high computational cost as state vector contains both motion states and 3D feature points. To address this issue, some researchers recently proposed a structureless initialization method, which can solve the initial state without recovering 3D structure. However, this method potentially compromises performance due to the decoupled estimation of rotation and translation, as well as linear constraints. To improve its accuracy, we propose novel structureless visual-inertial bundle adjustment to further refine previous structureless solution. Extensive experiments on real-world datasets show our method significantly improves the VIO initialization accuracy, while maintaining real-time performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google