本研究旨在解決現有視覺慣性里程計(VIO)方法在資源受限機器人上實時應用時面臨的計算成本高昂問題。具體而言,本研究著重於改進多狀態約束卡爾曼濾波器(MSCKF)算法,以減少其計算負擔,同時保持其準確性和魯棒性。
本研究提出了一種名為快速 MSCKF(FMSCKF)的新方法,該方法通過修改特徵邊緣化和狀態修剪步驟來增強原始 MSCKF。與在每個記錄圖像中提取特徵的傳統 MSCKF 不同,FMSCKF 僅在關鍵幀的子集中提取特徵。僅當跟踪的特徵數量低於預定閾值 (Nfmin) 時,才會選擇新幀作為關鍵幀。這種基於關鍵幀的特徵管理策略減少了與圖像處理相關的計算成本。此外,FMSCKF 採用更頻繁的狀態向量和協方差矩陣修剪策略,從而進一步提高了速度。
通過使用公開數據集和真實世界實驗對 FMSCKF 進行了評估。結果表明,與原始 MSCKF 相比,FMSCKF 在位置估計方面實現了顯著的加速,同時保持了可比的準確性。具體來說,FMSCKF 的速度提高了約六倍,最終位置估計的準確度至少提高了 20%。
本研究證明,所提出的 FMSCKF 方法提供了一種適用於資源受限機器人的快速高效的 VIO 解決方案。通過減少與特徵提取和狀態管理相關的計算負擔,FMSCKF 允許在這些平台上進行實時操作,而不會損害準確性。
本研究對機器人領域具有重要意義,特別是在需要快速準確姿態估計的 GPS 拒絕環境中運行自主機器人的情況下。FMSCKF 的增強性能使其成為各種應用(例如無人機導航、自主駕駛和移動機器人)的理想選擇。
儘管 FMSCKF 顯示出巨大的潛力,但仍有一些局限性需要在未來的研究中解決。一個局限性是需要調整參數 Nfmin 以獲得最佳性能。未來的研究可以探討自適應調整此參數以適應不同環境和運動動力學的方法。此外,探索將 FMSCKF 與其他傳感器數據(例如激光雷達或深度相機)融合以進一步提高其準確性和魯棒性將是有益的。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問