VINS系列|VINS-Fusion论文精读：一种通用的基于优化的多传感器全局位姿估计框架（下）

• ​论文链接：​​https://arxiv.org/pdf/1901.03642.pdf​​
• GitHub链接：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion

实验结果

我们在数据集和真实世界实验中使用视觉和惯性传感器来评估所提出的系统。在第一个实验中，我们在公开数据集上将所提出算法与另一个最先进算法进行比较。然后，我们在真实世界室外环境中使用自研的传感器装置来测试本文系统，并且生成数值分析以详细展示本文系统的精确性。

A.数据集

我们使用KITTI数据集来评估本文所提出的系统。数据集是在车辆上采集的，其中包含双目图像（Point Grey Flea2、1382x512单色、10FPS）和GPS。图像是同步且经过校正的。传感器之间的变换是事先标定的。此外，通过惯性导航系统（OXTS RT3003）来提供真值状态。我们使用双目相机、来自原始GPS测量数据的经度、纬度和海拔高度来运行数据集。双目相机被用于局部状态估计。局部结果与GPS测量在全局优化中被融合。

在本实验中，我们比较本系统结果与ORB-SLAM2结果（一种先进的视觉里程计方法，其与双目相机配合使用）。ORB-SLAM2是一种基于优化的算法，具有强大的重定位能力，它维护关键帧和路标构成的地图。我们评估由所提出方法和ORB-SLAM产生的相对位姿误差（RPE）和绝对轨迹误差（ATE）结果。两个序列的位置和旋转RPE分别如图4和图5所示。

对于平移误差，所提出方法明显低于ORB-SLAM。这表明，通过GPS测量数据有效地消除了位置漂移。对于旋转误差，所提出方法没有比ORB-SLAM2更好。因为GPS无法直接测量旋转角度，它不能提高旋转的局部精度。

KITTI数据集中更多序列上的绝对轨迹误差的均方根误差（RMSE）如表格I所示。

估计的轨迹通过Horn的方法与真值轨迹对齐。对于所有的序列，所提出方法优于ORB-SLAM2，这表明融合GPS测量数据有效地提高了待估计轨迹的精度。直观而言，GPS在长期运行过程中纠正了累积的漂移。

由ORB-SLAM2和所提出算法恢复的一个KITTI序列（09_30_drive_0033）的轨迹如图6所示。

轨迹与来自鸟瞰图的谷歌地图对齐。由图可知，ORB-SLAM2估计的轨迹在轨迹末尾漂移了若干米。本文所提出方法估计的轨迹与道路网络匹配得很好。该实验表明，本文所提出系统在长距离的位姿估计中具有优势。

B.真实世界实验

在本实验中，我们使用自研的传感器装置，其装载了多个传感器。传感器装置如图7所示。它包含双目相机（mvBlueFOX-MLC200w、20Hz）和DJI A3控制器，其内置IMU、磁力计、气压计和GPS接收器。我们还装载RTK接收器，用于高精度定位。RTK基站建立在建筑物顶部。RTK可以在垂直和水平方向提供1cm的精确定位，这被作为真值。我们使用所有可用的传感器来运行状态估计。

为了进行精度比较，我们在地面上行走两圈。我们将结果与MSF进行比较，MSF在基于EKF的框架中融合视觉里程计、惯性测量和GPS。轨迹比较如图8所示。

相对位姿误差（RPE）如图9所示。我们可以看出VIO估计的轨迹具有明显的平移漂移。从相对位姿误差看出，所提出系统显著提高了VIO的精度。此外，本文所提出系统优于MSF。

更多户外实验的RMSE如表格II所示。本文系统在所有序列上实现最佳性能。

我们还进行更大的室外实验，并且使用Google地图比较结果。估计的轨迹如图10所示。

VIO估计的轨迹随着距离的推移而发生漂移。归功于全局传感器，所提出系统估计的轨迹几乎是无漂移的，它与道路地图匹配得很好。

总结

在本文中，我们提出一种基于优化的框架将局部估计与全局传感器融合。局部估计来自先前的VO/VIO工作。全局传感器被作为位姿图优化中的通用因子。该系统实现了局部精确且全局无漂移的位姿估计。我们在公开数据集和真实世界实验中展现了本文系统令人印象深刻的性能。

文章转载自公众号：自动驾驶专栏