【泡泡圖靈智庫】高資訊量運動片段上的視覺慣導自校準（ICRA）

標題：Visual-inertial Self-calibration on Informative Motion Segments

作者：Thomas Schneider, Mingyang Li, Michael Burri, Juan Nieto, Roland Siegwart and Igor Gilitschenski

來源：ICRA2017

編譯：黃文超

審核：劉小亮

歡迎個人轉PO朋友圈；其他機構或自媒體如需轉載，後台留言申請授權

摘要

大家好，今天為大家帶來的文章是——高信息量運動片段上的視覺慣導自校準，該文章發表於ICRA2017 。

環境條件和外部影響(如震動)，對視覺慣導系統的參數校準有極大的影響，因此在這些環境里長期工作的系統不能完全依靠傳感器的出廠校準。由於某些參數的可觀性取決於部件的運動，在設備初始化時使用短期的數據片段可能效果並不好。當這樣的系統又額外受限於能量約束時，使用大批量數據初始化的方法也不可行，需要仔細選擇數據。

在本文中，作者提出了新的方法來對視覺慣導系統進行高效的校準。通過將校準問題轉化為基於片段的優化問題，就可以在小量的具有高信息量的運動片段(Informative Motion Segments)數據里運行，因此計算負擔就僅限於預定義的用來計算的片段數。同時，作者也提出了高效的理論信息選擇方法來識別出這樣的運動片段。在具有挑戰性的數據集中，作者展示了該方法由於當前最先進的算法的性能，在極大降低計算負擔的同時還能保持準確率。

1、提出高效的基於信息理論的方法來識別一段運動軌跡中最具信息量的片段。

2、提出基於片段的視覺慣導系統內參和外參自校準方法。

3、在詳盡的評估中展示了該算法的性能。

1、視覺慣導模型

慣性模型：

陀螺儀的測量值如式(2)所示，由真實值乘上一個誤差校正參數矩陣，再加上高斯噪聲項構成

加速度計的測量值如式(4)所示，與陀螺儀類似，真實加速度減去重力加速度後乘上變換矩陣和校正矩陣加上噪聲項

相機模型：

令 I 表示從關鍵幀 k 觀測到的3d地標，投影到相機圖像平面的2d點 z 上，可得相機模型如式(6)所示。其中 fp(·) 表示投影函數，η 為高斯噪聲過程。

最大似然可能：

概率模型的因子圖表示如圖3，包含視覺慣導的關鍵幀狀態 x，地標 I 和相機校準狀態θc，IMU校準狀態θi。似然函數如式(8)所示。

圖3 校準問題的因子圖表示

2、校準過程

圖4 系統總覽

本文的算法設計用於與現有的視覺慣導SLAM平行運行，如圖4所示，但是不局限於特定的SLAM做到。在作者的做到中 使用了COM(concurrent odometry and mapping)框架。使用基於信息理論的衡量方法來評估每個片段相對於校準參數的信息量，當收集到足夠的片段時，會觸發校準過程計算參數。算法的概覽如下：

主要結果

作者采集了15個數據集來評估該算法，數據集的采集使用了Google Tango開發套件，配備有MEMS IMU和一個全局快門魚眼相機。

圖8 校準參數的收斂性

圖9 信息量對狀態可能收斂性的影響

表1 三種算法在數據集上計算得到的校準參數對比

Abstract

Environmental conditions and external effects, such as shocks, have a significant impact on the calibration parameters of visual-inertial sensor systems. Thus longterm operation of these systems cannot fully rely on factory calibration. Since the observability of certain parameters is highly dependent on the motion of the device, using short data segments at device initialization may yield poor results. When such systems are additionally subject to energy constraints, it is also infeasible to use full-batch approaches on a big dataset and careful selection of the data is of high importance. In this paper, we present a novel approach for resource efficient self-calibration of visual-inertial sensor systems. This is achieved by casting the calibration as a segment-based optimization problem that can be run on a small subset of informative segments. Consequently, the computational burden is limited as only a predefined number of segments is used. We also propose an efficient information-theoretic selection to identify such informative motion segments. In evaluations on a challenging dataset, we show our approach to significantly outperform state-of-the-art in terms of computational burden while maintaining a comparable accuracy.

泡泡機器人SLAM的原創內容均由泡泡機器人的成員花費大量心血製作而成，希望大家珍惜我們的勞力成果，轉載請務必註明出自【泡泡機器人SLAM】微信公眾號，否則侵權必究！同時，我們也歡迎各位轉載到自己的朋友圈，讓更多的人能進入到SLAM這個領域中，讓我們共同為推進中國的SLAM事業而努力！

商業合作及轉載請聯繫[email protected]