Eng gekoppelte Fusion globaler Positionsmessungen in der optimierungsbasierten visuellen-inertialen Odometry

Motiviert durch das Ziel, eine robuste, driftsichere Pose-Schätzung in der langfristigen autonomen Navigation zu erreichen, schlagen wir in dieser Arbeit eine Methodik vor, um globale Positionsinformationen mit visuellen und inertialen Messungen in einem eng gekoppelten, nichtlinearen, optimierungsbasierten Schätzer zu fusionieren. Im Gegensatz zu vorherigen Arbeiten, die lose gekoppelt sind, ermöglicht der Einsatz eines eng gekoppelten Ansatzes, die Korrelationen zwischen allen Messungen zu nutzen. Ein gleitendes Fenster der aktuellsten Systemzustände wird geschätzt, indem eine Kostenfunktion minimiert wird, die visuelle Reprojektionfehler, relative inertiale Fehler und globale Positionsresiduen umfasst. Wir verwenden die IMU-Vorintegration, um die inertialen Residuen zu formulieren und nutzen das Ergebnis eines solchen Algorithmus, um die globalen Positionsresiduen effizient zu berechnen. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode präzise und global konsistente Schätzungen erreicht, mit vernachlässigbarem Anstieg der Optimierungskosten. Unsere Methode übertrifft konstant den lose gekoppelten Fusionsansatz. Der mittlere Positionsfehler wird im Vergleich zum lose gekoppelten Ansatz in Außenflügen mit unbemannten Luftfahrzeugen (UAV) um bis zu 50 % reduziert, wobei die globalen Positionsinformationen durch rauschbehaftete GPS-Messungen bereitgestellt werden. Nach bestem Wissen ist dies die erste Arbeit, in der globale Positionsmessungen in einem optimierungsbasierten visuellen-inertialen Odometry-Algorithmus eng fusioniert werden, wobei die IMU-Vorintegrationsmethode verwendet wird, um die globalen Positionsfaktoren zu definieren.