Stereo-NEC: Enhancing Stereo Visual-Inertial SLAM Initialization with Normal Epipolar Constraints
作者: Weihan Wang, Chieh Chou, Ganesh Sevagamoorthy, Kevin Chen, Zheng Chen, Ziyue Feng, Youjie Xia, Feiyang Cai, Yi Xu, Philippos Mordohai
分类: cs.RO
发布日期: 2024-03-12
💡 一句话要点
提出Stereo-NEC以解决立体视觉惯性SLAM初始化问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 立体视觉 惯性SLAM 初始化方法 陀螺仪偏差 最大后验优化 法线极线约束 机器人导航 自动驾驶
📋 核心要点
- 现有的立体视觉惯性SLAM初始化方法过于依赖视觉SLAM系统的准确性，导致惯性变量估计不准确，影响整体性能。
- 本研究通过独立估计陀螺仪偏差，构建最大后验问题进行优化，从而提高旋转和位移估计的准确性。
- 在EuRoC数据集上的实验结果显示，我们的方法在绝对轨迹误差和相对旋转误差上均优于ORB-SLAM3，且计算速度保持竞争力。
📝 摘要（中文）
我们提出了一种准确且稳健的立体视觉惯性SLAM系统初始化方法。与现有方法不同，我们的方法不依赖于纯视觉SLAM系统的准确性来估计惯性变量，而是独立估计陀螺仪偏差，并利用最大后验问题进行进一步优化。通过去除陀螺仪测量中的偏差，我们更新了旋转估计，并通过3自由度束调整来增强平移估计。此外，我们引入了一种新方法，通过评估法线极线约束的残差来判断初始化的成功性。大量在EuRoC数据集上的评估表明，我们的方法在准确性和稳健性方面表现优异，超越了当前领先的ORB-SLAM3方法。
🔬 方法详解
问题定义：本论文旨在解决立体视觉惯性SLAM系统初始化时的准确性和稳健性问题。现有方法依赖于视觉SLAM的准确性，可能导致惯性变量估计不准确，从而影响整体轨迹精度。
核心思路：我们的方法首先独立估计陀螺仪的偏差，并利用该偏差构建最大后验问题进行优化。这种设计旨在提高旋转估计的准确性，从而减少因平移误差累积导致的轨迹误差。
技术框架：整体流程包括陀螺仪偏差的独立估计、最大后验优化、去除偏差后的IMU集成以及3自由度束调整。每个模块相互配合，以实现更高的初始化精度。
关键创新：本研究的创新点在于引入了法线极线约束的残差评估方法，以判断初始化的成功性。这一方法在现有文献中尚未被广泛采用，显著提升了初始化的可靠性。
关键设计：在参数设置上，我们采用了5个关键帧进行初始化，尽管ORB-SLAM3使用10个关键帧，但我们的旋转估计依然表现更优。损失函数和优化策略经过精心设计，以确保在不同场景下的稳健性和准确性。
🖼️ 关键图片
📊 实验亮点
在EuRoC数据集上的实验结果显示，我们的方法在绝对轨迹误差和相对旋转误差上均优于ORB-SLAM3，具体表现为在使用5个关键帧时，旋转准确性超过了使用10个关键帧的现有方法，展现出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人导航和增强现实等。通过提高立体视觉惯性SLAM系统的初始化精度，可以显著提升这些领域的定位和地图构建能力，进而推动相关技术的实际应用和发展。
📄 摘要（原文）
We propose an accurate and robust initialization approach for stereo visual-inertial SLAM systems. Unlike the current state-of-the-art method, which heavily relies on the accuracy of a pure visual SLAM system to estimate inertial variables without updating camera poses, potentially compromising accuracy and robustness, our approach offers a different solution. We realize the crucial impact of precise gyroscope bias estimation on rotation accuracy. This, in turn, affects trajectory accuracy due to the accumulation of translation errors. To address this, we first independently estimate the gyroscope bias and use it to formulate a maximum a posteriori problem for further refinement. After this refinement, we proceed to update the rotation estimation by performing IMU integration with gyroscope bias removed from gyroscope measurements. We then leverage robust and accurate rotation estimates to enhance translation estimation via 3-DoF bundle adjustment. Moreover, we introduce a novel approach for determining the success of the initialization by evaluating the residual of the normal epipolar constraint. Extensive evaluations on the EuRoC dataset illustrate that our method excels in accuracy and robustness. It outperforms ORB-SLAM3, the current leading stereo visual-inertial initialization method, in terms of absolute trajectory error and relative rotation error, while maintaining competitive computational speed. Notably, even with 5 keyframes for initialization, our method consistently surpasses the state-of-the-art approach using 10 keyframes in rotation accuracy.