VINS-Motion: VINS与运动约束的紧密耦合融论文翻译

合

摘要

摘要:本文提出了一种新的带运动约束的视觉惯性导航系统(VINS- motion)，该系统将视觉惯性导航系统(VINS)扩展到包含车辆运动约束的视觉惯性导航系统，以提高自主车辆的定位精度。除了先验信息、IMU测量残差和VINS中的视觉测量残差外，首先利用车辆的方向/速度约束构成运动残差。通过最小化三种残差的先验和马氏范数，得到最大后验估计，从而提高了系统的一致性和精度。还增加了停止检测，有助于消除停止时估计位姿的异常抖动，从而保证了轨迹的合理性。该方法在公共数据集上进行了验证，并与最新的算法进行了比较，结果表明，VINS-Motion的定位精度显著提高。

I. INTRODUCTION

 单目视觉惯性导航系统(VINS)[1]，其中视觉观测和惯性测量单元(IMU)测量紧密耦合，以测量六自由度(DOF)状态估计，即使在快速运动或在弱照明[2]，也显示出优越的性能。总体而言，VINS可以分为基于滤波的[3]-[11]、基于优化的[1]、[12]-[16]和基于深度学习的[17]-[22]。但是，长时间运行，尤其是在视觉受限的场景中，会出现漂移现象。为了提高轮式移动机器人使用的VINS的性能，提出了将轮式编码器测量值[23]-[26]的附加信息加入其中。虽然这些方法取得了令人印象深刻的结果，但它们主要是在理想的假设下，如没有干扰和偏差影响测量或理想滚动。因此，当轮编码器测量的偏置较大或轮滑不显著时，系统性能可能会下降。为了提高VINS方法的准确性和鲁棒性，还需要进行广泛的研究。
 
 为了提高自动驾驶汽车车载导航系统的定位精度，提出了一种将视觉、惯性传感器和车辆运动特性紧密耦合的非线性优化方法来进行姿态估计。我们的方法是由观察驱动的，车辆的方向和速度方向在世界框架中应该是一致的，并且总是垂直于后桥。通过这个直观的观察，我们进一步证明了严谨的数学汽车方向和速度的关系，并在估计算法中考虑这一约束，以减小定位误差。误差代价函数由视觉误差、惯性测量误差和车辆定位/速度误差组成。此外，我们还观察到，当车辆处于停车状态时，汽车发动机的振动和IMU的偏置导致IMU测量的信噪比极低。这最终导致估计的轨迹在停止期间发生异常抖动。在我们之前的工作[27]中开发了一种改进的相位相关法用于自动车辆停止检测，并且该停止检测模块也被添加到VINS-Motion框架中。VINS-Motion的结构如图1所示。
 据我们所知，这是首次将车辆运动约束紧密融合到VINS中，无需额外的传感器就能提供实时、高精度的定位。特别是，本文的主要创新贡献是:1)分析观察了车辆方向与速度方向之间的约束关系。基于这种直观的观测结果，设计了一种新的VINS- motion框架，将方向/速度约束融入到VINS中，以提高车辆移动时的定位精度。2)我们将停止检测模块引入到VINS-Motion框架中，以提高车辆处于停止状态时整个框架的鲁棒性。3)通过实验，验证了VINS在车辆停止或低速状态下的性能退化，并证明了所提出的VINS- motion系统提高了定位精度。

2. VINS-MOTION框架

在本节中，基于最先进的VINS-Fusion[1]，我们提出了新的VINS-Motion框架，该框架紧密融合了视觉、惯性测量和运动约束来解决边界定位误差，其结构如图1所示。与[1]相比，在测量前处理过程中增加了停止检测模块。而在后端处理中，如果检测到车辆处于停止状态，则根据停止约束进行优化。此外，我们将所提出的方向/速度约束与标准VINS步骤紧密融合，以优化车辆的姿态估计。

A.状态Vector

我们定义如下坐标系:w代表世界坐标系，其中重力矢量与zaxis对齐。b表示主体框架，与IMU一个坐标。c为相机框架，原点为光学中心，zis沿相机轴线，x/y跨度成像平面。v代表车辆动态框架，原点在后桥中心，x轴垂直于后桥，指向车辆前方。概览如图2所示。
Rwb, pw表示从车身框架到世界框架的旋转和平移，andRwv, pwv表示从车辆动力学框架到世界框架的旋转和平移。Bk、ck、vk分别表示捕获该图像时的车身帧、相机帧、车辆动态帧。待估计变量χχ由IMU状态、相机-IMU外部标定参数、IMU-vehicle外部标定参数和特征点的逆深度组成。整个状态向量定义为: