MSCEqF: A Multi State Constraint Equivariant Filter for Vision-aided Inertial Navigation

要約

このレターでは、視覚慣性航法システム (VINS) の問題を再検討し、マルチステート制約等変フィルター (よく知られている MSCKF に似た MSCEqF) と呼ぶ新しいフィルター設計を紹介します。
対称グループと対応するグループ アクションを定義します。これにより、IMU バイアスやカメラの固有および外部キャリブレーション状態を含む視覚慣性オドメトリ (VIO) の問題に対する等変フィルターの設計が可能になります。
IMU バイアスとその他の状態を $\mathbf{SE}_2(3)$ グループに単純に組み込む最先端の不変拡張カルマン フィルター (IEKF) アプローチとは対照的に、私たちのフィルターは以下を適切に含む対称性に基づいて構築されています。
グループ構造内のすべての状態。
したがって、特に線形化ポイントが真実から大きく逸脱している場合（つまり、状態外乱時の過渡状態）、動作の改善が達成されます。
私たちのアプローチは、エラーの不確実性の適応、可観測性の制約、またはその他の一貫性を強制する手法を必要とせず、重大なエラーからの収束フェーズ中であっても本質的に一貫性があります。
これにより、長時間のミッションなどでの重大なエラーや予期せぬ状態変化に対する推定器の動作が大幅に改善されます。
私たちは、3 つの異なる著名な現実世界のデータセットを使用した多数の異なる実験でアプローチを評価します。

要約(オリジナル)

This letter re-visits the problem of visual-inertial navigation system (VINS) and presents a novel filter design we dub the multi state constraint equivariant filter (MSCEqF, in analogy to the well known MSCKF). We define a symmetry group and corresponding group action that allow specifically the design of an equivariant filter for the problem of visual-inertial odometry (VIO) including IMU bias, and camera intrinsic and extrinsic calibration states. In contrast to state-of-the-art invariant extended Kalman filter (IEKF) approaches that simply tack IMU bias and other states onto the $\mathbf{SE}_2(3)$ group, our filter builds upon a symmetry that properly includes all the states in the group structure. Thus, we achieve improved behavior, particularly when linearization points largely deviate from the truth (i.e., on transients upon state disturbances). Our approach is inherently consistent even during convergence phases from significant errors without the need for error uncertainty adaptation, observability constraint, or other consistency enforcing techniques. This leads to greatly improved estimator behavior for significant error and unexpected state changes during, e.g., long-duration missions. We evaluate our approach with a multitude of different experiments using three different prominent real-world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google