機器定位的新技術：與線及消失點相容的VIO算法

在機器人定位中，基於MSCKF的視覺-慣性里程計因為其高精度、低成本、算法效率高等等而受到重用。傳統的MSCKF算法大都使用稀疏特徵點作為視覺約束，但往往在城市中會遇到大片沒有特徵的平面如牆壁、地板、家具等，與高亮度變化環境一同導致特徵點數量不足，使得算法不夠強健；並且，引入線特徵的VIO算法大都是基於速度較慢的最佳化方法。為此，上海交大提出了PLV-IEKF算法(Hua et al. 2023)，將線特徵加入卡爾曼濾波器的視覺約束中，並透過曼哈頓世界假設（註一），將線特徵對應的三維消失點一同加入其中；除此之外，他們也指出IEKF與MSCKF對於視覺地標的誤差定義的不同之處，並證明了兩者之間可以互相轉換，並且使濾波器對誤差的推斷能保持一致。此算法在合成資料集與EuRoC資料集上進行驗證，表明了在大多數情況下，引入線特徵與消失點特徵能讓算法更加準確，且PLV-IEKF因其較佳的一致性而勝過PLV-MSCKF。同時，在引入了新特徵之後在後端更新濾波器狀態所花的時間稍微長了一點，但仍遠小於基於最佳化方法的後端，在增加了一點處理時間的基礎上大大提昇了強健性與準確性。

註一：曼哈頓世界假設 (Manhattan world assumption) 假設所有的景物構成的線都是與笛卡兒座標軸 (x, y, z軸) 對齊，互相平行或垂直。理想情況中，我們可以透過一張圖來找出代表三個軸的消失點。

註二：除了IEKF之外，我們還有另一個利用李群對稱的等變濾波器(Equivariant Filter, EqF)。在使用了EqF的EqVIO(Goor and Mahony 2023)中，視覺地標本身的李群對稱也被考慮，並且放入了等變濾波器的狀態中。與其不同，IEKF只要求作為視覺約束的特徵點/線/消失點，能夠擁有相容於濾波器的誤差模型，而不會把視覺特徵直接放入濾波狀態中。

撰文：葉宸甫

參考資料：

1. Goor, Pieter van, and Robert Mahony. 2023. “EqVIO: An Equivariant Filter for Visual-Inertial Odometry.” IEEE Transactions on Robotics 39 (5): 3567–85. https://doi.org/10.1109/TRO.2023.3289587.

2. Hua, Tong, Tao Li, Liang Pang, Guoqing Liu, Wencheng Xuanyuan, Chang Shu, and Ling Pei. 2023. “PLV-IEKF: Consistent Visual-Inertial Odometry Using Points, Lines, and Vanishing Points.” arXiv. https://doi.org/10.48550/arXiv.2311.04477.