VINS on Wheels文章阅读整理

该篇博客主要记录的是我自己对于该篇论文的理解可能某些方面有些错误希望大家一起指正学习

一.文章主要贡献：a.分析了在确切的，约束的运动下VINS不可观察到的自由度

                            b.扩展了VINS在处理低频率下的里程估计值，使得尺度始终可被观察。介绍了结合了关于机器运动的约束来提                                  高定位精度的mVINS

 

二.主要研究：未知陀螺仪的偏移并且确定那些难以观察的方向，文章主要集中在当VINS应用到有轮机器人时提高它定位的精度

三.提出优化的出发点：为了确保尺度的信息总是可以获取的作者们将VINS算法与有轮里程计估计相结合，虽然这样得到的信息相比于IMU通常有噪声且有意义的信息不多，但通过一种鲁棒的方法：将未处理的编码数据整合将整合后的数据替代连续位姿之间的里程计估计值

在某些情况下局部的加速是不明显的我们无法辨别出真正的加速与加速偏移之间的偏差这种看似固定的 暂时的加速将导致尺度的模糊，对于VINS模型在固定的速度或者没有旋转的情况下将会导致格外的不被观察的方向，尺度可被观察是相当具有挑战性的因为它要求机器人持续性的改变它的速度这会增加移动系统的磨损和被摧残所以我们在这个问题上提出了扩展VINS与机器人的轮子里程计测量值进行结合。

四.具体实现：通过结合两个额外的信息：里程测量值和平面运动约束

A.VINS with Odometer

 

大多数平面运行的小车都配有轮子编码器用来提高低频率，嘈杂 间歇性 可靠的关于每个轮子的运动测量，这些测量中含有很重要的尺度信息对提高VINS在恒定速度下运动

 

轮子编码器中的数据可以被转换为局部2D线性和旋转速度测量通过使用里程计的特性

以上公式中wl，wr分别表示左右轮子的旋转速度，rl，rr是半径 ，a指出了小车的基线

 

里程计的线性速度测量值包含了绝对尺度信息，因此一个里程传感器不仅仅通过记录额外的运动测量来提高VINS定位的精度还主要提供了VINS的尺度方向伴随的重要信息但是这个尺度因为小车的运动常常变得不可观测，为了在一个鲁棒的方式下处理有噪声的里程计数据，我们提出结合这些数据并且将产生的2D位移估计融合到VINS 3D点中

实际运动中小车通常有不同的运动形式约束，一个运动形式可以数学化的描述为集合约束g(x)=0，g通常是在状态x下的非线性函数以下有两种方式来将这些运动形式的信息整合到一个VINS中

B：约束

 a.Deterministic Constraints

    一个标准的VINS 估计量优化一个来自于传感器数据的代价函数，该运行形式被描述为deterministic constraint对于一个优化问题 ：minC(x)  s.t.g(x)=0

对于VINS该代价函数C(x)典型的采用非线性最小二乘法的方式并且可以通过应用迭代高斯牛顿最小化来解决

b.Stochastic Constraints

   但通常运动形式不会永远令人满意，有时候小车的运动会颠簸并且运动平面不平整，为了解决这样的偏离我们将这种形式模型化为一个stochastic constraint g(x)=n，其中n是假定在协方差R中高斯过程为零均值化，并且结合这一信息作为一个额外的代价项：minC(x)+||g(x)||²R 该代价项可以通过应该标准VINS估计量来求解

与deterministic相比较stochastic提供了更加灵活的方式来丢弃由外点引起的虚假信息，当约束得到的结果使我们满意时(比如小车越过一个凸起)我们应用马氏距离去探测并暂时取消这两种约束

c对于具体的运动形式

该运动形式与平面运动一致

 

 

如图平面π中的帧已经被定义所以x-y平面与物理平面一致，我们使用2自由度四元数πqG来参数化该平面表示平面帧与全局帧之间的方向，并且标量πZG，表面从其实全局帧到平面的垂直距离。四元数的错误状态πqG被定义为一个2x1的矢量δθπ   因此该错误四元数由 给出，我们的参数化与3D空间中的平面有三个自由度一致，正如在上图Fig3中描述的我们可以表达帧的里程计{O}几何约束在平面内的移动：g这里的第一个区块元素与平面旋转约束一致：他们在{π}和{O}之间的旋转和倾斜角度为零，而第二个区块元素与平面平移约束一致：{π}和{O}之间的位置位移在z轴为零

五.实验结果

主要旨在于检测不同的运动在VINS中定位的准确性同时验证所提出的结合里程计信息和运动形式的方法，经过观察发现该方法是通用的并且对任何具体的VINS估计器都没有限制