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

要約

高い計算効率と小さなメモリ要件の利点により、フィルターベースの視覚慣性臭気（VIO）は、小型化およびペイロード制約の組み込みシステムに適したアプリケーションの見通しを持っています。
ただし、フィルターベースの方法には、精度が不十分な問題があります。
この目的のために、州と測定モデルを再構築し、さらなる視覚的奪取条件を考慮することにより、国家の変革とポーズのみの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）を提案して、システムの一貫性を改善するために標準の拡張カルマンフィルター（STD-EKF）を置き換え、次に3D機能推定によって引き起こされる線形化誤差を回避するためにポーズのみの（PO）視覚的説明を採用しました。
包括的な観測可能性分析は、SP-Vioにはより安定した観察不可能な部分空間があることを示しています。
さらに、視覚的中断中にモーション軌跡を最適化するために、強化された二重状態変換Rauch-Tung-Striebel（DST-RTS）バックトラッキング方法を提案します。
モンテカルロシミュレーションと現実世界の実験は、SP-Vioが最先端の（SOTA）Vioアルゴリズムよりも精度と効率が優れており、視覚的奪取条件下での堅牢性が高いことを示しています。

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 the double state transformation extended Kalman filter (DST-EKF) to replace the standard extended Kalman filter (Std-EKF) for improving the system’s consistency, and then adopt pose-only (PO) visual description to avoid the linearization error caused by 3D feature estimation. The comprehensive observability analysis shows that SP-VIO has a more stable unobservable subspace, which can better avoid the inconsistency problem caused by spurious information. Moreover, we propose an enhanced double state transformation Rauch-Tung-Striebel (DST-RTS) backtracking method to optimize motion trajectories during visual interruption. Monte-Carlo simulations and real-world experiments 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