通过矩匹配提升视觉-惯性SLAM鲁棒性的探讨
机器人学
2022-05-30 v1 计算机视觉与模式识别
摘要
相机传感器与惯性数据的融合是自主及智能设备自我运动跟踪的主流方法。依赖于非线性滤波的状态估计技术是解决相关信息融合任务的强有力范式。该领域事实上的推断方法是著名的扩展卡尔曼滤波器（EKF），其依赖于对动力学与测量模型的一阶线性化。本文批判性地审视了EKF所带来的实际影响与局限，尤其是在视觉特征关联出错及存在强干扰噪声的情况下。作为替代，我们重访贝叶斯滤波的假设密度表述，并采用矩匹配（无迹卡尔曼滤波）方法同时用于视觉-惯性里程计与视觉SLAM。我们的结果凸显了在动力学传播与视觉测量更新两方面鲁棒性的重要方面，并且我们在EuRoC MAV无人机数据基准上展示了最先进的结果。
引用
@article{arxiv.2205.13821,
title = {A Look at Improving Robustness in Visual-inertial SLAM by Moment Matching},
author = {Arno Solin and Rui Li and Andrea Pilzer},
journal= {arXiv preprint arXiv:2205.13821},
year = {2022}
}
备注
8 pages, to appear in Proceedings of FUSION 2022