VINS系列|VINS-Fusion论文精读：一种通用的基于优化的多传感器局部里程计估计框架（下）

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先进的算法比较。然后，我们在大尺度室外环境中测试本文系统，并且生成数值分析以详细地展示本文系统的精度。

A.数据集

我们使用EuRoC MAV视觉-惯性数据集来评估本文系统。该数据集在微型飞行器上采集，包括双目图像（Aptina MT9V034全局快门、752x480单色、20FPS）、同步的IMU测量（ADIS16488、200Hz）。此外，真值状态由VICON和Leica MS50提供。我们使用三种不同的传感器组合来运行数据集，它们分别为双目相机、单目相机和IMU、以及双目相机和IMU。

在本实验中，我们将本系统结果与OKVIS比较。OKVIS是一种使用双目相机和IMU的最新VIO系统，它是另一种基于优化的滑动窗口算法。OKVIS专门为视觉-惯性传感器而设计，而本文系统是一种更通用的框架，它支持多种传感器组合。我们使用EuRoC数据集中的所有序列来测试所提出的框架和OKVIS。我们通过相对位姿误差（RPE）和绝对轨迹误差（ATE）这两个指标来评估精度。使用工作Are we ready for autonomous driving? the kitti vision benchmark suite中提出的工具来计算RPE。在MH_05_difficult和V2_02_medium这两个序列上计算的RPE的绘图分别如图4和图5所示。

EuRoC数据集中所有序列的ATE均方根误差（RMSE）如表格I所示。

      本文使用Horn的方法将估计的轨迹与真值对齐。纯双目情况在V1_03_difficult和V2_03_difficult序列中失败，其中运动太过剧烈，导致视觉难以跟踪。涉及IMU的方法在所有序列中都能成功地工作。这是一个很好的例子，表明IMU能够通过弥补由光照变化、弱纹理区域或者运动模糊而导致视觉跟踪失败时的缺陷来显著提高运动跟踪性能。

      从相对位姿误差和绝对轨迹误差中可以看出，纯双目方法在大多数序列中表现最差。在纯双目情况下，位置和旋转漂移随着移动距离增加而明显增大。换而言之，IMU在状态估计中显著地有益于视觉。由于IMU测量重力向量，因此它能够有效地抑制横滚角和俯仰角的漂移。双目相机和IMU不总是表现最好的，因为它比单目相机和IMU的情况需要更精确的标定。不准确的内参和外参标定将更多的噪声引入到系统中。通常而言，多传感器融合提高了系统的鲁棒性。本文结果在大多数序列中优于OKVIS。

B.真实世界实验

在本实验中，我们使用一种自研的传感器套件来证明本文框架。传感器套件如图6所示。

该套件包含双目相机（mvBlueFOX-MLC200w，20Hz）和DJI A3控制器，该控制器内置IMU（200Hz）和GPS接收器。GPS位置被作为真值。我们手持传感器套件，并且行走在室外地面上。我们使用三种不同的传感器组合来运行状态估计，它们分别为双目相机、单目相机和IMU、以及双目相机和IMU。

为了比较精度，我们在地面上走了两圈，并且将本系统估计结果与GPS比较。轨迹如图7所示，相对位姿误差（RPE）如图8所示。

与数据集实验相同，在纯双目场景中发生明显的位置漂移。在IMU的辅助下，精度提高了很多。更多室外实验的RMSE如表格II所示。涉及IMU的方法总是比纯双目方法表现更好。

总结

在本文中，我们已经提出了一种通用的基于优化的局部位姿估计框架。所提出的框架能够支持多种传感器组合，这在鲁棒性和实用性方面是值得期待的。我们使用视觉和惯性传感器进一步说明这点，这形成三种传感器套件（双目相机、单目相机和IMU、以及双目相机和IMU）。注意，尽管我们仅给出相机和IMU的因子公式，但是本文框架也能够被扩展到其它传感器。我们使用多传感器在公开数据集和真实世界实验中验证了本文系统的性能。数值结果表明，本文框架能够使用不同的配置来融合传感器数据。

在未来工作中，我们将使用全局传感器（例如GPS）来扩展我们的框架，以实现局部精确和全局位姿估计。

文章转载自公众号：自动驾驶专栏