【開源代碼】首個利用神經網絡能夠明確推斷VIO中 IMU bias演化的方法

2023-01-03 09:55 作者:計算機視覺life 0人讀過 | 我要投稿

以下內容來自從零開始機器人SLAM知識星球每日更新內容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文##開源代碼# ?Deep IMU Bias Inference for Robust Visual-Inertial Odometry with Factor Graphs

論文地址：https://arxiv.org/abs/2211.04517

作者單位：牛津大學

開源代碼：https://github.com/ori-drs/allan_variance_ros

??視覺慣性里程計（VIO）是最成熟的移動平臺狀態(tài)估計方法之一。然而，當視覺跟蹤失敗時，由于慣性數據過程中的快速誤差積累，VIO 算法會迅速發(fā)散。該誤差通常被建模為加性高斯噪聲和緩慢變化的偏差的組合，該偏差演變?yōu)殡S機游走。在這項工作中，我們提出訓練一個神經網絡來學習真正的bias。我們實現并比較了兩種常見的順序深度學習架構：LSTM 和 Transformer。我們的方法遵循最近基于學習的慣性估計器，但是，我們沒有學習運動模型，而是明確地針對 IMU 偏差，這使我們能夠推廣到訓練中看不到的運動模式。我們表明，我們提出的方法在四足機器人、步行人類和無人機的各種運動中改善了視覺挑戰(zhàn)性情況下的狀態(tài)估計。我們的實驗表明，漂移率平均降低了 15%，當完全視力喪失時，降低幅度更大。重要的是，我們還證明了用一種運動模式（人類步行）訓練的模型可以應用于另一種（四足機器人小跑）而無需重新訓練。

本文貢獻如下：

1、一種能夠從測量和bias中估計 IMU ?bias的神經網絡。據作者所知，這是第一種能夠明確推斷 IMU bias演化的方法。

2、兩種不同網絡實現（LSTM 和 Transformer）的性能比較以及它們作為一元因素集成到基于狀態(tài)估計器的在因子圖上，用于在視覺上具有挑戰(zhàn)性的場景中改進估計。

3、在具有不同類型運動的三個不同平臺上的真實世界實驗：行人手持設備、四足機器人和無人機。據作者所知，這是第一個展示 IMU 學習模型在一種運動方式上訓練并在另一種方式上進行測試的工作（手持到四足）。