PGD-VIO: An Accurate Plane-Aided Visual-Inertial Odometry with Graph-Based Drift Suppression

📄 arXiv: 2407.17709v1 📥 PDF

作者: Yidi Zhang, Fulin Tang, Zewen Xu, Yihong Wu, Pengju Ma

分类: cs.RO

发布日期: 2024-07-25

DOI: 10.1109/LRA.2025.3550835

💡 一句话要点

PGD-VIO：一种精确的平面辅助视觉惯性里程计，具有基于图的漂移抑制

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视觉惯性里程计 平面特征 扩展卡尔曼滤波 图优化 漂移抑制

📋 核心要点

  1. 现有VIO方法在高几何信息利用方面存在不足，尤其是在人工环境中常见的平面特征。
  2. 该论文提出一种基于RGBD相机和IMU的VIO系统，融合点和平面特征，并利用图优化抑制长期漂移。
  3. 实验结果表明，该系统在定位精度上优于现有方法，并能生成紧凑一致的平面地图，无需全局BA和回环。

📝 摘要（中文）

本文提出了一种新颖的视觉惯性里程计(VIO)，该系统使用RGBD相机和惯性测量单元(IMU)，有效地将点和平面特征集成到扩展卡尔曼滤波器(EKF)框架中。利用点特征的深度信息来提高点三角化的精度，而平面特征作为直接观测值添加到状态向量中。值得注意的是，为了有利于长期导航，提出了一种新的基于图的漂移检测策略，以搜索平面地图中重叠和相同的结构，从而抑制累积漂移。在两个公共数据集上的实验结果表明，我们的系统在定位精度方面优于最先进的方法，同时生成紧凑且一致的平面地图，无需昂贵的全局捆绑调整和回环检测技术。

🔬 方法详解

问题定义：现有的视觉惯性里程计（VIO）方法在利用环境中的高层几何信息方面存在不足，尤其是在人造环境中常见的平面特征。虽然点特征被广泛使用，但平面特征能够提供更丰富的空间和时间观测信息，从而有效减少漂移。因此，如何有效地融合点和平面特征，并抑制长期导航中的累积漂移，是本文要解决的关键问题。

核心思路：本文的核心思路是充分利用平面特征的几何约束，将其作为直接观测值融入到VIO框架中。同时，为了解决长期导航中的漂移问题，提出了一种基于图的漂移检测策略，通过搜索平面地图中的重叠和相同结构，来识别并抑制累积漂移。这种方法旨在提高定位精度，并生成一致的平面地图。

技术框架：该系统基于扩展卡尔曼滤波器（EKF）框架，融合了来自RGBD相机和IMU的数据。整体流程包括：1) 使用RGBD相机获取图像和深度信息；2) 提取图像中的点特征和平面特征；3) 利用深度信息优化点特征的三角化精度；4) 将平面特征作为直接观测值添加到EKF的状态向量中；5) 使用IMU数据进行状态预测和更新；6) 采用基于图的漂移检测策略，搜索平面地图中的重叠结构，并进行漂移抑制。

关键创新：该论文的关键创新在于：1) 将平面特征作为直接观测值融入到VIO框架中，充分利用了平面特征的几何约束；2) 提出了一种基于图的漂移检测策略，能够有效地抑制长期导航中的累积漂移，无需全局捆绑调整和回环检测技术。

关键设计：在平面特征提取方面，采用了常见的平面分割算法，并对提取的平面进行参数化表示。在基于图的漂移检测策略中，关键在于如何定义平面之间的相似度，以及如何构建和优化图结构。具体的技术细节，例如相似度度量方式、图优化算法等，论文中可能有所描述，但摘要中未明确提及。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该系统在两个公共数据集上取得了优于现有方法的定位精度。具体而言，与state-of-the-art方法相比，该系统在定位精度上提升了XX%（具体数值未知，摘要未提供），同时生成了紧凑且一致的平面地图。此外，该系统无需昂贵的全局捆绑调整和回环检测技术，降低了计算复杂度。

🎯 应用场景

该研究成果可应用于机器人导航、增强现实、三维重建等领域。在机器人导航中，可以提高机器人在复杂环境中的定位精度和鲁棒性。在增强现实中，可以提供更稳定的虚拟物体定位和跟踪。在三维重建中，可以生成更精确和完整的场景模型。该研究的未来影响在于，可以推动VIO技术在更多实际场景中的应用，并促进相关领域的发展。

📄 摘要（原文）

Generally, high-level features provide more geometrical information compared to point features, which can be exploited to further constrain motions. Planes are commonplace in man-made environments, offering an active means to reduce drift, due to their extensive spatial and temporal observability. To make full use of planar information, we propose a novel visual-inertial odometry (VIO) using an RGBD camera and an inertial measurement unit (IMU), effectively integrating point and plane features in an extended Kalman filter (EKF) framework. Depth information of point features is leveraged to improve the accuracy of point triangulation, while plane features serve as direct observations added into the state vector. Notably, to benefit long-term navigation,a novel graph-based drift detection strategy is proposed to search overlapping and identical structures in the plane map so that the cumulative drift is suppressed subsequently. The experimental results on two public datasets demonstrate that our system outperforms state-of-the-art methods in localization accuracy and meanwhile generates a compact and consistent plane map, free of expensive global bundle adjustment and loop closing techniques.