Range-Visual-Inertial Odometry: Scale Observability Without Excitation

作者：Jeff Delaune,David S. Bayard,Roland Brockers

主要研究點(diǎn)在于，基于EKF的距離-視覺-慣性里程計(jì)框架下無激勵(lì)的尺度可觀察性

摘要：對(duì)于大多數(shù)機(jī)器人應(yīng)用來說，以恒定速度行駛是最有效的軌跡。不幸的是，如果沒有加速度計(jì)激勵(lì)，單目視覺慣性里程計(jì) (VIO) 無法觀察尺度并遭受嚴(yán)重的誤差漂移。這是在 NASA 的 Ingenuity Mars Helicopter 導(dǎo)航系統(tǒng)中加入一維激光測(cè)距儀的主要?jiǎng)訖C(jī)。但是，Ingenuity 的簡(jiǎn)化方法僅限于平坦地形。當(dāng)前的文獻(xiàn)介紹了一種基于使用方面約束的新型距離測(cè)量更新模型。由此產(chǎn)生的 range-VIO 方法不再局限于平面場(chǎng)景，而是擴(kuò)展到通用機(jī)器人應(yīng)用程序的任意結(jié)構(gòu)。一個(gè)重要的理論結(jié)果表明，對(duì)于零加速度或恒加速度運(yùn)動(dòng)，尺度不再位于可觀察性矩陣的右零空間中。實(shí)際上，這意味著在恒速運(yùn)動(dòng)下可以觀察到尺度，從而可以在任意地形上進(jìn)行簡(jiǎn)單而穩(wěn)健的自主操作。由于測(cè)距儀體積小，Range-VIO 保留了 VIO 的最小尺寸、重量和功率屬性，并具有相似的運(yùn)行時(shí)間。這些好處是根據(jù)代表常見空中機(jī)器人場(chǎng)景的真實(shí)飛行數(shù)據(jù)進(jìn)行評(píng)估的。使用indoor stress data和全狀態(tài)真值證明了穩(wěn)健性。我們將我們的軟件框架 xVIO 作為開源發(fā)布。

作者：chaochaoSEU|微信公眾號(hào)：3D視覺工坊 注1：文末附有【視覺SLAM、激光SLAM】交流群加入方式

3D視覺精品課程推薦：

注2：自動(dòng)駕駛系統(tǒng)課程：https://mp.weixin.qq.com/s/0-mb6M6HvKU3Uau0a4taTw

注3：視覺SLAM(vins-fusion)：https://mp.weixin.qq.com/s/L3YkFH7JSAhM4rDam7mdWg

注4：視覺三維重建的關(guān)鍵技術(shù)及實(shí)現(xiàn)(colmap)：https://mp.weixin.qq.com/s/9gtdrloSWR2kJlYk5CnWIQ

注5：三維點(diǎn)云系統(tǒng)課程：https://mp.weixin.qq.com/s/uJ34xjWjAFCzDDduoo0ixA

注6：徹底搞懂基于LOAM框架的3D激光SLAM: 源碼剖析到算法優(yōu)化：https://mp.weixin.qq.com/s/lfA-xwPNvR3-laemEGBAqQ

注7：徹底剖析室內(nèi)、室外激光SLAM關(guān)鍵算法原理、代碼和實(shí)戰(zhàn)(cartographer+LOAM+LIO-SAM) ：徹底剖析室內(nèi)、室外激光SLAM關(guān)鍵算法原理、代碼和實(shí)戰(zhàn)(cartographer+LOAM+LIO-SAM)

注8：結(jié)構(gòu)光系統(tǒng)教程：https://mp.weixin.qq.com/s/WLyu

注9：相機(jī)標(biāo)定從入門到精通：基本原理與實(shí)戰(zhàn)：https://lgo.h5.xeknow.com/s/12l1Jz

注10：機(jī)械臂位姿估計(jì)與抓取（基本原理+代碼實(shí)戰(zhàn)） ：https://lgo.h5.xeknow.com/s/4kY

1 引言

單目視覺慣性里程計(jì) (VIO) 是機(jī)器人技術(shù)中的一種流行方法，用于在封閉場(chǎng)景或 GPS 拒止環(huán)境下獲得準(zhǔn)確的度量狀態(tài)估計(jì)。事實(shí)上，就尺寸、重量和功率而言，相機(jī)和慣性測(cè)量單元 (IMU) 構(gòu)成了一個(gè)最小的傳感器套件，這在大多數(shù)機(jī)器人上都很容易使用。

但是，單目VIO只能在加速度不恒定的情況下觀察運(yùn)動(dòng)尺度。這會(huì)導(dǎo)致在零或恒速軌跡下出現(xiàn)嚴(yán)重的誤差漂移，這在機(jī)器人技術(shù)中很常見。對(duì)于必須依賴準(zhǔn)確的 VIO 尺度估計(jì)進(jìn)行控制的應(yīng)用程序，此問題是關(guān)鍵問題。我們的工作受到Mars helicopters [1]、[2]的推動(dòng)，但它一般適用于行星、軍事和城市機(jī)器人；以及沿著筆直的走廊或隧道穿越室內(nèi)或地下。

我們新穎的距離-視覺-慣性里程計(jì)算法甚至可以在零或恒定加速度軌跡下觀察尺度。它使用一維激光測(cè)距儀 (LRF)，使傳感器套件保持輕量化，同時(shí)有效地利用 VIO 稀疏結(jié)構(gòu)估計(jì)。我們的主要貢獻(xiàn)是：

一個(gè)距離測(cè)量模型，可防止 VIO 標(biāo)度漂移并適應(yīng)任何場(chǎng)景結(jié)構(gòu)；線性化距離- VIO 可觀測(cè)性分析，顯示尺度在沒有激勵(lì)的情況下是可觀測(cè)的；在真實(shí)數(shù)據(jù)集上進(jìn)行戶外演示；使用全狀態(tài)真值進(jìn)行室內(nèi)案例分析；一個(gè)開源的 C++ 實(shí)現(xiàn)。

在 [1] 中，提出了一種 range-VIO 方法，該方法可以在相對(duì)平坦的地形上導(dǎo)航，同時(shí)支持演示 NASA 的 Ingenuity Mars Helicopter 所需的穩(wěn)定靜止懸停。當(dāng)前的論文使用一種新方法擴(kuò)展了這些 range-VIO 結(jié)果，該方法無需任何慣性激勵(lì)即可觀察 3D 地形的尺度。這種概括解決了機(jī)器人領(lǐng)域以及未來火星直升機(jī)的重要需求。當(dāng)前論文是先前會(huì)議論文 [2] 的期刊擴(kuò)展，該論文專門針對(duì)Mars helicopters應(yīng)用。這包括在類似火星的地形上運(yùn)行的候選航天硬件的實(shí)時(shí)演示。會(huì)議論文處理是非理論的，重點(diǎn)是獲得概念驗(yàn)證的實(shí)證結(jié)果。當(dāng)前的期刊論文推導(dǎo)出并分析了其理論可觀察性屬性。誤差漂移減少是在城市航空機(jī)器人數(shù)據(jù)上評(píng)估的，該數(shù)據(jù)比火星環(huán)境更加復(fù)雜和 3D。通過全狀態(tài)真值比較支持的室內(nèi)測(cè)試證明了分面場(chǎng)景假設(shè)的穩(wěn)健性。最后，我們公開源代碼。

代碼、論文地址：在公眾號(hào)「計(jì)算機(jī)視覺工坊」，后臺(tái)回復(fù)「尺度可觀測(cè)性」，即可直接下載。

2 相關(guān)文獻(xiàn)

A. Visual-Inertial Odometry

VIO 的一個(gè)分支基于松耦合的視覺慣性傳感。在這些方法中，在與 IMU [4] 融合之前，僅視覺算法可以根據(jù)尺度估計(jì)位置和速度，根據(jù)重力估計(jì)方向。視覺里程計(jì)模塊可以在計(jì)算機(jī)視覺開發(fā)的任何現(xiàn)代算法之間交換，例如 PTAM [5]、SVO [6]、ORB-SLAM [7] 或 DSO [8]。

最準(zhǔn)確和穩(wěn)健的 VIO 方法來自緊耦合的方法，其中由特征軌跡或圖像塊強(qiáng)度組成的視覺測(cè)量直接限制在一個(gè)單一估計(jì)器中的慣性狀態(tài)集成。這些方法需要更大的狀態(tài)向量，這會(huì)導(dǎo)致更高的計(jì)算成本。但是它們通過慣性和視覺狀態(tài) [9] 之間的互相關(guān)提高了準(zhǔn)確性，并且即使在沒有或很少跟蹤圖像基元時(shí)也能傳播狀態(tài)的魯棒性。最近的方法包括基于濾波器的 [10]、[11] 和基于非線性優(yōu)化的方法 [12]-[13][14]。一些解決方案使用圖像特征坐標(biāo)進(jìn)行測(cè)量 [10]、[12]、[13]，而其他解決方案使用圖像強(qiáng)度值 [11]、[14]。在良好的激勵(lì)下，典型的位置誤差可以低于前進(jìn)距離的 1% [15]。

B. VIO Observability Analysis

文獻(xiàn)中已經(jīng)詳細(xì)研究了具有未知 IMU 偏差的 VIO 可觀察性。在通用激勵(lì)下，除了全局位置和圍繞重力矢量的旋轉(zhuǎn)外，VIO 狀態(tài)被發(fā)現(xiàn)是可觀察的。[16]-[17][18] 為非線性系統(tǒng)證明了這一點(diǎn)；而[19]，[20]證明了線性化系統(tǒng)并提高了其一致性。這些不可觀察的量意味著 VIO 位置和航向估計(jì)在任何有噪聲的條件下都會(huì)發(fā)生漂移。在實(shí)踐中，這種漂移在許多小規(guī)模運(yùn)行的機(jī)器人場(chǎng)景中是可以接受的。

[21]進(jìn)一步分析了具有未知偏差的線性化系統(tǒng)在兩種特定運(yùn)動(dòng)下不可觀察的方向。首先，他們表明，如果系統(tǒng)沒有自己的旋轉(zhuǎn)運(yùn)動(dòng)，那么所有三個(gè)全局旋轉(zhuǎn)都將變得不可觀察。其次，他們表明，在恒定加速度下，運(yùn)動(dòng)的規(guī)模是不可觀察的。[22] 得出的結(jié)果與這些特定的懸停情況一致。在大多數(shù)實(shí)際應(yīng)用中完全沒有旋轉(zhuǎn)是不太可能的，即使發(fā)生了，相機(jī)相對(duì)于場(chǎng)景結(jié)構(gòu)的相對(duì)方向仍然保留。然而，沿著直線運(yùn)動(dòng)可能會(huì)出現(xiàn)恒定或零加速度，并且在位置和速度漂移方面的尺度誤差對(duì)機(jī)器人軌跡的規(guī)劃和控制可能是災(zāi)難性的。

C. VIO Scale Drift Mitigation

距離傳感器及其等效物可用于補(bǔ)充或替代單目相機(jī)，以消除 VIO 的尺度可觀察性問題。大多數(shù)方法利用激光雷達(dá)或雷達(dá)掃描 [23]、RGBD 相機(jī) [24] 或雙目視覺測(cè)量 [25]。與 VIO 不同，這些選項(xiàng)受到范圍限制或集成成本的影響，從而限制了它們?cè)跈C(jī)器人應(yīng)用中的使用。

一維激光測(cè)距儀 (LRF) 是 SLAM 文獻(xiàn)中代表性不足的傳感選項(xiàng)。現(xiàn)代單位可以以厘米的分辨率感知數(shù)十米。它們適合小型、輕便且節(jié)能的封裝，即使在資源受限的機(jī)器人上也能容納。在我們之前為 NASA 的 Ingenuity Mars Helicopter [1] 所做的工作中，我們實(shí)施了一種距離-視覺-慣性里程計(jì)算法，該算法集成了 LRF 測(cè)量值，使尺度可觀。該結(jié)果估計(jì)器是低維度，只有 21 個(gè)狀態(tài)，代價(jià)是假設(shè)場(chǎng)景是平坦和水平的，這與大多數(shù)機(jī)器人場(chǎng)景不兼容。[26] 通過使用超聲波距離測(cè)量初始化一些 VIO 特征的深度來解決 3D 場(chǎng)景中的類似問題。這將場(chǎng)景假設(shè)從全局平坦放寬到局部平坦，但它也假設(shè)局部地形坡度垂直于測(cè)距區(qū)域內(nèi)的距離傳感器軸。鑒于超聲波傳感器的大波束寬度，這在 3D 場(chǎng)景中存在問題。

在本文中，我們使用新穎的 LRF 測(cè)量模型消除了任何場(chǎng)景結(jié)構(gòu)上的 VIO 尺度漂移。LRF 的精度和窄波束寬度對(duì) VIO 在擴(kuò)展卡爾曼濾波器 (EKF) 中估計(jì)的視覺特征的深度產(chǎn)生了很強(qiáng)的范圍約束。這個(gè)約束假設(shè)場(chǎng)景可以被劃分為三角形面，以視覺圖像特征為頂點(diǎn)。

3 距離-視覺-慣性里程計(jì)

圖 1 中我們框架的架構(gòu)基于擴(kuò)展卡爾曼濾波器 (EKF)。它將視覺和距離更新與慣性狀態(tài)傳播緊耦合。我們?cè)诩夹g(shù)報(bào)告 [3] 中提供了完整的推導(dǎo)細(xì)節(jié)。

圖1 距離-視覺-慣性里程計(jì)架構(gòu)。距離和視覺測(cè)量z~、雅可比矩陣 J 和協(xié)方差矩陣 R 用于校正 EKF 中的慣性導(dǎo)航誤差。軌跡管理器將匹配的圖像特征分類到軌跡中，而狀態(tài)管理器則動(dòng)態(tài)地添加和刪除或視覺狀態(tài)。

這使包含在狀態(tài)向量 [31] 中的特征的 SLAM 更新成為可能。未包含在狀態(tài)向量中的特征使用 MSCKF [10] 進(jìn)行處理。與 SLAM 的三次成本相反，MSCKF 更新具有每個(gè)特征的線性成本。然而，MSCKF 需要平移運(yùn)動(dòng)，因?yàn)楸仨殞?duì)特征進(jìn)行三角測(cè)量，這在實(shí)踐中并不總是令人滿意。因此，我們總是執(zhí)行 SLAM 更新，并且僅在平移運(yùn)動(dòng)允許時(shí)才使用 MSCKF。這種混合方法也是計(jì)算效率最高的 [29]。SLAM 特征要么使用半無限深度不確定性進(jìn)行初始化 [30]，要么在可能的情況下使用 MSCKF 先驗(yàn) [29]。

使用 FAST 算法 [32] 檢測(cè)圖像中的視覺角點(diǎn)特征，并使用 Kanade-Lucas-Tomasi 算法 [33]、[34] 的金字塔實(shí)現(xiàn)進(jìn)行跟蹤。異常特征在兩個(gè)級(jí)別檢測(cè)：首先在圖像級(jí)別使用 RANSAC [35]，然后在過濾器級(jí)別使用 Mahalanobis 距離測(cè)試。圖 1 中的軌跡管理器模塊根據(jù)軌跡長(zhǎng)度、檢測(cè)分?jǐn)?shù)和圖像坐標(biāo)將每個(gè)特征分配給 SLAM 或 MSCKF 范例。我們使用圖像塊來確保 SLAM 特征分布在整個(gè)視野中，并確保強(qiáng)位姿約束。

C. Ranged Facet Update

我們的主要貢獻(xiàn)是一種新穎的距離測(cè)量模型，用于約束 VIO 標(biāo)度漂移。與 VIO 一樣，它旨在處理任意未知的 2D 或 3D 場(chǎng)景。

1) 測(cè)量模型

距離測(cè)量取決于距離傳感器的姿態(tài)和場(chǎng)景的結(jié)構(gòu)。貝葉斯估計(jì)器中的相關(guān)測(cè)量模型應(yīng)考慮兩者的不確定性。由于結(jié)構(gòu)不確定性包含在 SLAM 特征狀態(tài)中，我們利用這些狀態(tài)來構(gòu)建新的范圍更新模型。

我們的關(guān)鍵假設(shè)是，在 LRF 光束與場(chǎng)景的交點(diǎn)周圍的三個(gè) SLAM 特征之間，結(jié)構(gòu)是局部平坦的。這一假設(shè)源于視覺特征通常位于深度不連續(xù)處，并且特征之間的場(chǎng)景結(jié)構(gòu)通常是平滑的。結(jié)果部分討論了這一假設(shè)對(duì)現(xiàn)實(shí)世界序列的影響。在本文中，為了簡(jiǎn)化起見，我們還假設(shè)相機(jī)的光學(xué)中心和 LRF 的原點(diǎn)之間的平移為零。圖 2 說明了場(chǎng)景的幾何形狀。uri 是在時(shí)間 i 沿 LRF 光軸方向的單位向量。Ii 是該軸與地形的交點(diǎn)。F1、F2 和 F3 是 SLAM 特征，在圖像空間中圍繞 Ii 形成一個(gè)三角形。n 是包含 F1、F2、F3 和 Ii 的平面的法向量。

圖 2 在時(shí)間 i 的距離測(cè)量 izr 的幾何形狀。假設(shè)場(chǎng)景在由視覺特征 F1、F2 和 F3 形成的小平面內(nèi)局部平坦以構(gòu)建范圍約束。

如果點(diǎn)積uri?n≠0，我們可以將時(shí)間 i 的距離測(cè)量表示為

2) Delaunay 三角剖分

為了在實(shí)踐中構(gòu)建范圍更新，我們?cè)趫D像空間中對(duì) SLAM 特征執(zhí)行 Delaunay 三角剖分，并選擇 LRF 光束與場(chǎng)景相交所在的三角形。我們選擇了 Delaunay 三角剖分，因?yàn)樗畲蠡怂锌赡艿娜瞧史种械淖钚〗嵌?[36]。此屬性避免了不提供強(qiáng)局部平面約束的“又長(zhǎng)又瘦”的三角形。

圖 3 顯示了 Delaunay 三角剖分，以及選擇作為范圍方面的三角形，在我們室外測(cè)試序列的樣本圖像上。它還說明了將場(chǎng)景劃分為三角形面，在它們的角落處具有 SLAM 特征。請(qǐng)注意，如果狀態(tài)估計(jì)器以輕量級(jí)方式僅使用 3 個(gè) SLAM 特征，則這等效于全局平坦世界假設(shè)。相反，如果 SLAM 特征的密度增加，小平面的面積趨于零，小平面場(chǎng)景假設(shè)幾乎消失。

圖 3 在室外飛行數(shù)據(jù)集中跟蹤的 SLAM 圖像特征之間的 Delaunay 三角剖分。紅點(diǎn)代表 LRF 光束與表面的交點(diǎn)。周圍的紅色三角形是遠(yuǎn)程刻面。

3）距離異常值拒絕

在用于過濾器之前，距離測(cè)量值通過馬氏距離測(cè)試來檢測(cè)異常值。該門控將距離測(cè)量與根據(jù)小平面中三個(gè)視覺特征的坐標(biāo)構(gòu)建的先驗(yàn)進(jìn)行比較。它拒絕違反從誤差協(xié)方差矩陣導(dǎo)出的先驗(yàn)不確定性模型無法解釋的方面假設(shè)。

4 可觀測(cè)性分析

我們對(duì)線性化 range-VIO 系統(tǒng)進(jìn)行可觀察性分析，因?yàn)樗?EKF。盡管非線性系統(tǒng)的可觀測(cè)性是完整性所必需的，但這不在本文的范圍內(nèi)。

A. Observability Matrix

B. Unobservable Directions

1) 通用運(yùn)動(dòng)

可以驗(yàn)證跨越全局位置的向量或圍繞重力向量旋轉(zhuǎn)的向量仍然屬于 Mk 的右零空間。因此，在通用運(yùn)動(dòng)[19]下，the ranged facet update不會(huì)改善 VIO 的可觀察性，這是直觀的。同樣，在沒有旋轉(zhuǎn)的情況下，仍然無法觀察到全局方向 [21]。

2) 恒定加速

在本小節(jié)中，我們證明在恒定加速度的情況下，與 VIO [21] 不同，跨越尺度維度的向量

與 VIO 不同，range-VIO 因此即使在沒有加速度激勵(lì)的情況下也能實(shí)現(xiàn)尺度收斂。

3) 零速度

它對(duì)應(yīng)于未包含在 facet 中的 SLAM 特征的深度。這個(gè)結(jié)果意味著在沒有平移運(yùn)動(dòng)的情況下，當(dāng)特征深度彼此不相關(guān)時(shí)，范圍小平面對(duì)小平面外的特征沒有約束。一旦平臺(tái)開始移動(dòng)，視覺測(cè)量就開始關(guān)聯(lián)所有特征深度，并且所有特征的深度都可以從單個(gè)距離的小平面觀察到。

5 實(shí)驗(yàn)結(jié)果

本節(jié)討論我們的 range-VIO 算法在上一節(jié)中介紹的序列上的性能。視覺狀態(tài)設(shè)置為在滑動(dòng)窗口中容納 M=4 個(gè)位姿，以及 N=27 個(gè) SLAM 特征。捕獲異常值的馬氏距離測(cè)試設(shè)置為 2σ，σ 是估計(jì)的范圍標(biāo)準(zhǔn)偏差。在我們所有的比較測(cè)試中，VIO 的運(yùn)行設(shè)置與 range-VIO 完全相同。唯一的區(qū)別是使用 range-VIO 中的 ranged facet 模型對(duì)距離測(cè)量進(jìn)行了額外處理。

A. Outdoor Flight Tests

圖 4 比較了 range-VIO 和 VIO 在室外穿越過程中的位置誤差。每個(gè)軸上的 Range-VIO 最大誤差保持在 1 m 以下，低于行進(jìn)距離的 0.6%。這種性能類似于最先進(jìn)的激勵(lì)下 VIO [15]。相反，VIO 誤差從啟動(dòng)時(shí)開始沿橫移方向（X 軸）上升，與 range-VIO 相比，值最高可達(dá) 9 倍。

圖 4室外數(shù)據(jù)集上 range-VIO（頂部）和 VIO（底部）的位置誤差。X 和 Y 軸是水平的，Z 是向上的。X 與導(dǎo)線方向?qū)R。

我們注意到，VIO 誤差與尺度誤差一致，在恒定加速度下，VIO 無法觀察到這種誤差。這清楚地說明了 Range-VIO 在機(jī)器人常用軌跡上的可觀察性優(yōu)勢(shì)。我們還注意到，圖 4(a) 中的距離 VIO 誤差不會(huì)受到平坦地形和 3D 結(jié)構(gòu)之間的過渡的影響，這種過渡發(fā)生在 t=425 s。這是一個(gè)很好的跡象，表明用真實(shí)世界的視覺特征構(gòu)建的面有效地捕捉了場(chǎng)景的結(jié)構(gòu)。此外，當(dāng) LRF 碰到路燈時(shí)，在 t=410 s 時(shí)發(fā)生了 7 米的遠(yuǎn)程刻面異常值。這可以在我們的視頻材料中顯示的范圍剖面中觀察到。然而，它不影響圖 4(a) 中的 range-VIO 估計(jì)，顯示了我們的范圍異常值拒絕方案的效率。

B. Indoor Stress Tests

為了進(jìn)一步評(píng)估平面模型的穩(wěn)健性，將 V-C 小節(jié)中討論的室內(nèi)序列用作應(yīng)力情況。圖 5 比較了距離 VIO 和 VIO 在位置、速度和方向上的誤差，因?yàn)樵谑覂?nèi)所有這些狀態(tài)都可以使用地面實(shí)況。在圖 5(a) 和 5(d) 中，沿著行進(jìn)方向可以清楚地看到刻度漂移的減少。Range-VIO 的最大位置誤差為 30 cm，即 2.5%，而 VIO 誤差在這些具有挑戰(zhàn)性的視覺條件和無激勵(lì)下增長(zhǎng)到 2 m，即 17%。

圖 5 室內(nèi)數(shù)據(jù)集上 range-VIO（頂部）和 VIO（底部）的位置（左）、速度（中心）和姿態(tài)（右）誤差。X 和 Y 軸是水平的，Z 是向上的。X 與導(dǎo)線方向?qū)R。

速度和方向圖很好地說明了小平面假設(shè)如何在具有挑戰(zhàn)性的環(huán)境中工作。圖 5(b) 和 5(e) 顯示速度誤差受益于 range-VIO 的尺度可觀測(cè)性，因?yàn)樗鼈儽?VIO 低兩倍。同樣，圖 5（c）中的距離-VIO 方向誤差與圖 5（f）中的 VIO 略有不同，尤其是在 Z（偏航）軸上。我們將這些差異解釋為由于范圍方面假設(shè)違反太小而無法被 Mahalanobis 范圍異常值拒絕捕獲而導(dǎo)致的錯(cuò)誤累積。這僅發(fā)生在全局偏航軸周圍，這兩種方法都無法觀察到。然而，即使在這種極端壓力情況下，偏航誤差在 range-VIO 和 VIO 之間也具有相同的數(shù)量級(jí)，而 range-VIO 在位置和速度漂移減少方面明顯優(yōu)于 VIO。

最后，我們建議讀者參考我們的視頻材料，以獲得具有大激勵(lì)和良好視覺紋理的序列中的其他比較結(jié)果。在這些最佳條件下，VIO 的性能與 range-VIO 相當(dāng)，最大位置誤差為 40 cm。這證實(shí)了 VIO 之前沒有失諧，而只是缺乏激發(fā)。它還證實(shí)，在良好的激發(fā)和視覺條件下，range-VIO 不會(huì)降低 VIO 性能。

6 結(jié)論

基于 VIO 的機(jī)器人應(yīng)用受到無法在沒有激勵(lì)的情況下觀察尺度的限制。在空中機(jī)器人技術(shù)中，即使是最基本的懸停和直線軌跡，無激勵(lì)的尺度可觀測(cè)性也是至關(guān)重要的。我們的主要興趣是對(duì)遙遠(yuǎn)世界的空中探索，比如火星 [1]。常見的地面應(yīng)用包括 GPS 不可用、退化（高樓、峽谷）或不夠準(zhǔn)確（室內(nèi)）的情況。

使用簡(jiǎn)單的一維激光測(cè)距儀，我們的 range-VIO 方法在沒有激發(fā)的情況下消除了尺度漂移，同時(shí)保持了 VIO 的最小尺寸、重量和功率要求。理論分析證明了在這種條件下規(guī)模的可觀察性。恒速真實(shí)飛行數(shù)據(jù)的結(jié)果表明，與 VIO 相比，誤差減少了 9 倍。

新穎的距離更新基于小平面場(chǎng)景假設(shè)，該假設(shè)有效地利用 VIO 特征深度估計(jì)來處理未知結(jié)構(gòu)?；谝曈X特征密度，facets 可以從一個(gè)平坦的世界假設(shè)擴(kuò)展到幾乎沒有結(jié)構(gòu)假設(shè)。這篇論文和補(bǔ)充報(bào)告 [3] 提供了 range-VIO 模型的完整推導(dǎo)。Range-VIO 不需要相對(duì)于 VIO 的額外狀態(tài)，并且不會(huì)增加顯著的計(jì)算成本。我們?cè)趬毫η闆r下證明了我們的方面假設(shè)的穩(wěn)健性。

未來的擴(kuò)展包括增加場(chǎng)景上 LRF 撞擊點(diǎn)周圍的視覺特征密度，以進(jìn)一步提高準(zhǔn)確性。我們還研究了使用磁力計(jì)和太陽傳感器來解決下一個(gè)主要的不可觀察方向：關(guān)于重力矢量的方向。

備注：作者也是我們「3D視覺從入門到精通」特邀嘉賓：一個(gè)超干貨的3D視覺學(xué)習(xí)社區(qū)

原創(chuàng)征稿

初衷 3D視覺工坊是基于優(yōu)質(zhì)原創(chuàng)文章的自媒體平臺(tái)，創(chuàng)始人和合伙人致力于發(fā)布3D視覺領(lǐng)域最干貨的文章，然而少數(shù)人的力量畢竟有限，知識(shí)盲區(qū)和領(lǐng)域漏洞依然存在。為了能夠更好地展示領(lǐng)域知識(shí)，現(xiàn)向全體粉絲以及閱讀者征稿，如果您的文章是3D視覺、CV&深度學(xué)習(xí)、SLAM、三維重建、點(diǎn)云后處理、自動(dòng)駕駛、三維測(cè)量、VR/AR、3D人臉識(shí)別、醫(yī)療影像、缺陷檢測(cè)、行人重識(shí)別、目標(biāo)跟蹤、視覺產(chǎn)品落地、硬件選型、求職分享等方向，歡迎砸稿過來~文章內(nèi)容可以為paper reading、資源總結(jié)、項(xiàng)目實(shí)戰(zhàn)總結(jié)等形式，公眾號(hào)將會(huì)對(duì)每一個(gè)投稿者提供相應(yīng)的稿費(fèi)，我們支持知識(shí)有價(jià)！

投稿方式

郵箱：vision3d@yeah.net 或者加下方的小助理微信：CV_LAB，另請(qǐng)注明原創(chuàng)投稿。

微信交流群：

歡迎加入「3D視覺工坊」交流群，方向涉及3D視覺、計(jì)算機(jī)視覺、深度學(xué)習(xí)、vSLAM、激光SLAM、立體視覺、自動(dòng)駕駛、點(diǎn)云處理、三維重建、多視圖幾何、結(jié)構(gòu)光、多傳感器融合、VR/AR、學(xué)術(shù)交流、求職交流等。工坊致力于干貨輸出，為3D領(lǐng)域貢獻(xiàn)自己的力量！歡迎大家一起交流成長(zhǎng)~

添加小助手微信：CV_LAB，備注學(xué)校/公司+姓名+研究方向即可加入工坊一起學(xué)習(xí)進(jìn)步。