Odometría visual-inercial basada en EKF de alta precisión y consistencia

En este documento, nos centramos en el problema de seguimiento de movimiento en entornos desconocidos utilizando sensores visuales e inerciales. Denominamos esta tarea de estimación odometría visual-inercial (VIO), por analogía con el bien conocido problema de odometría visual. Presentamos un estudio detallado de los algoritmos de VIO basados en filtros de Kalman extendidos (EKF), comparando tanto sus propiedades teóricas como su rendimiento empírico. Mostramos que una formulación de EKF en la que el vector de estado comprende una ventana deslizante de poses (el filtro de Kalman de restricción de múltiple estado (MSCKF)) alcanza una mejor precisión, consistencia y eficiencia computacional que la formulación de localización y mapeo simultáneos (SLAM) del EKF, en la que el vector de estado contiene la pose actual y las características vistas por la cámara. Además, demostramos que ambos tipos de enfoques de EKF son inconsistentes, debido a la forma en que se calculan los jacobianos. Específicamente, mostramos que las propiedades de observabilidad de los modelos de sistema linealizados del EKF no coinciden con las del sistema subyacente, lo que provoca que los filtros subestimen la incertidumbre en las estimaciones del estado. Basándonos en nuestro análisis, proponemos un nuevo algoritmo de VIO basado en EKF en tiempo real, que logra una estimación consistente al (i) asegurar las propiedades de observabilidad correctas de su modelo de sistema linealizado, y (ii) realizar la estimación en línea de los parámetros de calibración de la cámara a la unidad de medida inercial (IMU). Este algoritmo, que denominamos MSCKF 2.0, ha demostrado alcanzar una precisión y consistencia superiores incluso a un suavizador de retardo fijo de ventana deslizante iterativa, tanto en simulaciones de Monte Carlo como en pruebas en el mundo real.