Schlüsselbild-basierte visuelle-inertiale Odometrie unter Verwendung nichtlinearer Optimierung

Die Kombination von visuellen und inertialen Messungen hat in der mobilen Robotik an Popularität gewonnen, da die beiden Sensorikmodalitäten komplementäre Eigenschaften bieten, die sie zur idealen Wahl für genaue visuelle-inertiale Odometrie oder gleichzeitige Lokalisierung und Kartierung (SLAM) machen. Während das Problem historisch gesehen mit Filtern angegangen wurde, deuten Fortschritte in der visuellen Schätzung darauf hin, dass nichtlineare Optimierung überlegene Genauigkeit bietet, während sie dank der Sparsamkeit des zugrunde liegenden Problems dennoch beherrschbar bleibt. Inspiriert von diesen Erkenntnissen formulieren wir eine rigoros probabilistische Kostenfunktion, die Reprojektionfehler von Landmarken und inerten Termen kombiniert. Das Problem bleibt beherrschbar und gewährleistet somit einen Betrieb in Echtzeit, indem die Optimierung auf ein begrenztes Fenster von Schlüsselbildern durch Marginalisierung beschränkt wird. Schlüsselbilder können zeitlich durch beliebige Intervalle voneinander getrennt sein, während sie dennoch durch linearisierte inerte Terme verbunden sind. Wir präsentieren Evaluierungsergebnisse auf komplementären Datensätzen, die mit unserer maßgeschneiderten Stereo-Visual-Inertial-Hardware aufgezeichnet wurden, die Beschleunigungs- und Gyroskopmessungen genau mit Bildaufnahmen synchronisiert. Ein Vergleich sowohl einer Stereo- als auch einer monokularen Version unseres Algorithmus mit und ohne Online-Extrinsischen Schätzungen wird hinsichtlich der Bodenvorlage gezeigt. Darüber hinaus vergleichen wir die Leistung mit einer Implementierung eines fortschrittlichen stochastischen Klon-Filter mit gleitendem Fenster. Diese wettbewerbsfähige Referenzimplementierung führt eng gekoppelte filterbasierte visuelle-inertiale Odometrie durch. Während unser Ansatz erklärtermaßen mehr Berechnungen erfordert, zeigen wir seine überlegene Leistung in Bezug auf die Genauigkeit.