碾压ORB3和VINS！PGD-VIO：无需BA和回环也实现定位精度SOTA！

0. 这篇文章干了啥？

视觉惯性里程计（VIO）和同时定位与地图构建（SLAM）是移动机器人领域的关键问题。大多数现有的VIO/SLAM系统为了效率和鲁棒性，依赖于稀疏的点特征。RGB-D相机简化了点特征的三角测量和高层次特征的提取任务。与点特征相比，平面特征可以提供互补信息以提高性能，尤其是在挑战性场景中点特征退化时。此外，平面特征在人造环境中普遍存在，并且在提供结构表示方面更具可解释性和可用性。因此，许多研究已经探讨了将点特征和平面特征相结合的方法。

在RGB-D VIO/SLAM系统中将平面作为地标进行研究的一个关键问题是数据关联。与在二维图像上跟踪的点特征不同，平面通常是根据统一坐标系中的参数进行关联的。大致上，当两个平面的角度和分离度在定义的阈值范围内时，它们被视为一对匹配项。在一些研究中，还采用了平面协方差和马氏距离。由于这些想法严格依赖于初始姿态，一旦发生漂移，平面就无法成功关联，从而削弱了它们在提供长期约束方面的价值。为了解决这一问题并充分利用长期存在的平面，我们提出了一种具有基于图的漂移抑制策略的新型平面辅助RGB-D VIO系统。关键思想在于理解给定场景的结构规律性，并通过识别地图中的重复平面结构来进行漂移检测。换句话说，如果一组平面在一定程度上与另一组重叠，并且它们的空间配置相似，则地图将变得不一致，表明存在潜在的漂移。一旦检测到漂移，我们就尝试抑制它并相应地校正姿态。

下面一起来阅读一下这项工作~

1. 论文信息

标题：PGD-VIO: An Accurate Plane-Aided Visual-Inertial Odometry with Graph-Based Drift Suppression

作者：Yidi Zhang, Fulin Tang, Zewen Xu, Yihong Wu, Pengju Ma

机构：中国科学院大学

原文链接：https://arxiv.org/abs/2407.17709v1

2. 摘要

一般来说，与点特征相比，高级特征提供了更多的几何信息，这些信息可以被用来进一步限制运动。在人造环境中，平面是普遍存在的，由于它们具有广泛的空间和时间可观测性，因此为减少漂移提供了一种有效的手段。为了充分利用平面信息，我们提出了一种新颖的视觉惯性里程计（VIO），该里程计使用RGB-D相机和惯性测量单元（IMU），在扩展卡尔曼滤波器（EKF）框架中有效地集成了点和平面特征。我们利用点特征的深度信息来提高点三角测量的准确性，同时将平面特征作为直接观测值加入到状态向量中。值得注意的是，为了有利于长期导航，我们提出了一种新颖的基于图的漂移检测策略，用于在平面图中搜索重叠和相同的结构，从而随后抑制累积漂移。在两个公共数据集上的实验结果表明，我们的系统在定位精度上优于最先进的方法，同时生成了一个紧凑且一致的平面图，无需昂贵的全局光束平差和闭环技术。

3. 效果展示

如图1所示，我们的系统能够应对大漂移，并稳健地关联重复的平面，以提高走廊环境中的定位性能以及地图的一致性。

4. 主要贡献

本工作的主要贡献概括如下：

• 我们在扩展卡尔曼滤波器（EKF）框架下构建了一个RGB-D VIO系统，称为PGD-VIO，并推导了如何使用平面和点特征来正确更新状态。

• 我们提出了一种基于图的新颖策略，用于利用平面结构进行漂移检测。然后，通过去漂移更新来抑制累积误差。通过研究平面块之间的相似性，我们的方法可以检测全局地图中的重复结构并纠正其漂移，从而更好地约束运动。

• 我们在两个公共数据集上对提出的系统进行了广泛验证，结果表明我们的系统在定位方面表现良好，并通过融合深度和平面属性构建了一致的平面地图。

5. 基本原理是啥？

我们的系统建立在扩展卡尔曼滤波器（EKF）框架之上，将深度信息融入点特征中，并在带有相机-IMU校准的EKF更新过程中利用平面测量。此外，为了进一步利用场景结构，我们研究了一种基于图的方法来从全局平面图中检测漂移，并抑制长期定位中的误差。图2展示了所提出系统的概览。PGD-VIO包含四个流程：IMU积分与传播、特征检测与关联、EKF状态更新以及漂移抑制。给定输入的RGB-D和惯性序列，我们首先应用IMU测量来传播系统状态和协方差。然后，我们并行地检测和关联点和平面，并在EKF更新过程中更新它们。如果需要，我们将基于一种新的图匹配策略检测漂移，并通过去漂移更新来抑制漂移。之后，当小而短期跟踪的平面丢失一段时间后，它们将被延迟边缘化。

6. 实验结果

CID-SIMS数据集是一个针对轮式机器人的具有丰富真实环境的挑战性室内数据集，并为长序列提供了完整的真实值。根据表I的结果，PGD-VIO在大多数序列中实现了最低或次低的绝对轨迹误差（ATE），且无需昂贵的全局束调整（BA）和闭环技术，相较于ORB-SLAM3表现出了优越的性能。ORB-SLAM3在几个挑战性序列中表现不佳，因为在弱纹理区域和快速运动中跟踪丢失。PlanarSLAM是一个基于ORB-SLAM2构建的RGB-D系统，它基于曼哈顿结构假设估计旋转，并在BA中优化平移。与ORB-SLAM3一样，PlanarSLAM也容易崩溃。特别地，没有IMU测量的辅助，PlanarSLAM在更多序列中失败，比其他方法更频繁。在长期序列中，轮式机器人的退化运动（如沿直线移动）使得VINS-Mono和OpenVINS无法观测到尺度信息，从而导致较大的定位误差。ov plane通过添加平面来扩展OpenVINS，其中点和平面被视为SLAM特征和MSCKF特征的不同更新组合。虽然由于利用了点到平面的约束，它在平均上超越了OpenVINS，但由于该数据集中聚集环境中成功跟踪的平面较少，其改进有限。

7. 总结 & 未来工作

在本文中，我们提出了一种名为PGD-VIO的RGB-D VIO系统，该系统在朴素的扩展卡尔曼滤波器（EKF）框架下有效地集成了深度信息和平面测量。更重要的是，我们充分利用了边界平面片的不同空间关系，并应用了基于图的策略来抑制漂移。在两个真实世界的数据集上对提出的系统进行了评估，实验结果表明，PGD-VIO极大地提高了对累积漂移的抑制能力，实现了无需回环闭合的鲁棒且准确的定位，并生成了高度一致的平面地图，特别是在长期导航中表现优异。然而，当场景中平面结构较少或由于重复性而无法区分时，PGD-VIO会遇到困难。未来，我们旨在在平面关联和EKF更新过程中考虑结构规律性，以更好地探索平面环境中的可用几何信息。