A Robust and Efficient Visual-Inertial Initialization with Probabilistic Normal Epipolar Constraint
作者: Changshi Mu, Daquan Feng, Qi Zheng, Yuan Zhuang
分类: cs.RO
发布日期: 2024-10-25 (更新: 2025-02-18)
备注: Accepted by RA-L
🔗 代码/项目: GITHUB
💡 一句话要点
提出一种基于概率Normal Epipolar约束的鲁棒高效视觉惯性初始化方法，适用于快速运动和退化场景。
🎯 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 VIO初始化 概率Normal Epipolar约束 陀螺仪偏差估计 运动结构恢复
📋 核心要点
- 现有VIO初始化方法依赖SfM估计陀螺仪偏差，但在快速运动或退化场景下，SfM的稳定性和效率不足。
- 该论文扩展了解耦旋转和平移的框架，引入概率Normal Epipolar约束估计陀螺仪偏差，并融合IMU和视觉信息。
- 实验结果表明，该方法在EuRoC和TUM数据集上，显著降低了陀螺仪偏差、旋转误差、重力误差和尺度误差。
📝 摘要（中文）
精确且鲁棒的初始化对于视觉惯性里程计(VIO)至关重要，因为较差的初始化会严重降低位姿精度。在初始化过程中，估计加速度计偏差、陀螺仪偏差、初始速度和重力等参数至关重要。大多数现有的VIO初始化方法采用运动结构恢复(SfM)来求解陀螺仪偏差。然而，SfM在快速运动或退化场景中不够稳定和高效。为了克服这些限制，本文通过添加新的不确定性参数和优化模块，扩展了解耦旋转和平移的框架。首先，采用了一种结合概率Normal Epipolar约束的陀螺仪偏差估计器。其次，融合IMU和视觉测量来有效地求解速度、重力和尺度。最后，设计了一个额外的细化模块，有效地减少了重力和尺度误差。大量的EuRoC数据集测试表明，该方法平均降低了16%的陀螺仪偏差和4%的旋转误差，以及平均降低了29%的重力误差。在TUM数据集上，该方法平均降低了14.2%的重力误差和5.7%的尺度误差。
🔬 方法详解
问题定义：VIO初始化需要准确估计陀螺仪偏差、加速度计偏差、初始速度、重力等参数。现有方法依赖SfM估计陀螺仪偏差，但在快速运动或特征退化场景下，SfM的鲁棒性和效率会显著下降，导致初始化失败或精度降低。因此，如何在这些挑战性场景下实现鲁棒高效的VIO初始化是本文要解决的问题。
核心思路：本文的核心思路是利用概率Normal Epipolar约束(PNEC)来估计陀螺仪偏差，并结合IMU和视觉信息进行联合优化。PNEC对噪声具有更强的鲁棒性，并且避免了对特征点进行三角化，从而提高了在退化场景下的性能。同时，通过解耦旋转和平移，可以降低优化的复杂度。
技术框架：该方法主要包含以下几个模块：1) 基于概率Normal Epipolar约束的陀螺仪偏差估计器；2) IMU和视觉信息融合模块，用于求解速度、重力和尺度；3) 重力方向和尺度精细化模块。首先，利用PNEC估计陀螺仪偏差，然后将估计的陀螺仪偏差用于IMU预积分，并与视觉信息融合，求解速度、重力和尺度。最后，通过一个额外的优化模块，进一步精细化重力方向和尺度。
关键创新：该方法的主要创新点在于：1) 引入了概率Normal Epipolar约束来估计陀螺仪偏差，提高了在快速运动和退化场景下的鲁棒性；2) 设计了一个解耦旋转和平移的框架，降低了优化的复杂度；3) 提出了一个重力方向和尺度精细化模块，进一步提高了初始化精度。
关键设计：在概率Normal Epipolar约束中，使用了Huber损失函数来降低外点的影响。在IMU和视觉信息融合模块中，使用了滑动窗口优化，并对IMU预积分误差进行了线性化。在重力方向和尺度精细化模块中，使用了BA优化，并对重力方向进行了参数化，以避免奇异性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在EuRoC数据集上，陀螺仪偏差和旋转误差平均降低了16%和4%，重力误差平均降低了29%。在TUM数据集上，重力误差和尺度误差平均降低了14.2%和5.7%。这些结果表明，该方法在鲁棒性和精度方面都优于现有的VIO初始化方法。
🎯 应用场景
该研究成果可应用于增强现实、机器人导航、无人机自主飞行等领域。在这些应用中，快速、鲁棒和精确的VIO初始化至关重要，尤其是在运动剧烈或环境特征不明显的场景下。该方法能够提高VIO系统的可靠性和精度，从而提升用户体验和系统性能，并为更高级的应用提供基础。
📄 摘要（原文）
Accurate and robust initialization is essential for Visual-Inertial Odometry (VIO), as poor initialization can severely degrade pose accuracy. During initialization, it is crucial to estimate parameters such as accelerometer bias, gyroscope bias, initial velocity, gravity, etc. Most existing VIO initialization methods adopt Structure from Motion (SfM) to solve for gyroscope bias. However, SfM is not stable and efficient enough in fast-motion or degenerate scenes. To overcome these limitations, we extended the rotation-translation-decoupled framework by adding new uncertainty parameters and optimization modules. First, we adopt a gyroscope bias estimator that incorporates probabilistic normal epipolar constraints. Second, we fuse IMU and visual measurements to solve for velocity, gravity, and scale efficiently. Finally, we design an additional refinement module that effectively reduces gravity and scale errors. Extensive EuRoC dataset tests show that our method reduces gyroscope bias and rotation errors by 16\% and 4\% on average, and gravity error by 29\% on average. On the TUM dataset, our method reduces the gravity error and scale error by 14.2\% and 5.7\% on average respectively. The source code is available at https://github.com/MUCS714/DRT-PNEC.git