VINS on Wheels

摘要

在本文中，我们提出了一个视觉辅助惯性导航系统（VINS），用于定位轮式机器人。
特别是，我们证明当VINS部署在地面车辆上（该地面车辆被限制为沿着直线或圆弧移动）时，具有额外的不可观察方向（unobservable directions），例如尺度。为了解决这个限制，我们扩展VINS来包含低频的轮速计数据，然后，尺度变得可观察了。此外，为了提高定位精度，我们introduce the mainfold-(m) VINS，它利用车辆在近似平面上移动的事实。在我们的实验中，我们首先展示了由于特殊运动导致的VINS性能下降，然后证明通过利用额外的信息源，我们的系统实现了更高的定位精度，同时在商业级移动设备（commercial-grade mobile device） 上实时运行。

Ⅰ. Introduction

总结一下，这项工作的主要新颖贡献是：

1. 我们通过特殊的限制性运动（special, restrictive motions） 分析确定VINS的不可观察的自由度。
2. 我们扩展VINS来处理低频的轮速计数据，从而使尺度始终可观察。
3. 我们引入了mVINS，其结合了关于车辆运动的约束（在这种情况下，近似平面）以提高定位精度。
4. 通过实验，我们验证了理论分析的主要结果，并证明了所提出的VINS扩展算法的对定位准确性提高（当在一个大型建筑物内导航，将该算法部署于的轮式机器人上的平板电脑时）。

Ⅱ. Preliminaries on Vision-aided Inertial Navigation System

关于视觉辅助惯性导航系统（VINS）的初步研究

Ⅲ. VINS: Observability Analysis Under Specific Motion Profiles

特定运动剖面下的可观察性分析

Ⅳ. VINS: Incorporating Extra Information

A. VINS with Odometer
B. mVINS: VINS with a Mainfold
流形？内的VINS？

在实践中的许多情况下，移动物体的轨迹通常位于某些流形内。例如，地面车辆主要在平面上行驶，尤其是在室内航行时。这种特定运动流形的知识可以提供额外的信息，以提高VINS的定位精度。

运动流形可以在数学上描述为几何约束，g（x）= 0，其中g通常是状态x的非线性函数。将这些信息合并到VINS有两种方法：

1）确定性约束：
标准VINS估计器（例如，滤波器或平滑器）优化由传感器中的信息（视觉，惯性和潜在测距）数据产生的损失函数C（x）（例如，[4]，[6]，[ 10]，[12]），而运动流形被描述为优化问题的确定性约束，即，
min C（x）（18）
S.T. g（x）= 0
对于VINS，损失函数 C（x）通常采用非线性最小二乘法的形式，而（18）可以通过采用迭代Gauss-Newton最小化来求解[16]。

2）随机性约束：
在实践中，运动流形从未完全满足。 图2描绘了当地面机器人（在我们的例子中是先锋3）在平坦表面上移动时平台的横摇和俯仰角度。在理想的平面运动期间，滚转角和俯仰角将保持不变。然而，很明显，由于移动平台的振动和表面的不平坦，实际情况并非如此。 为了解释这种偏差，我们将流形建模为随机约束g（x）= n，其中n假设为具有协方差R的零均值高斯过程，并将此信息作为附加成本项合并：

注意，（19）可以通过使用标准VINS估计器来解决。 此外，这种随机方法（与确定性方法相比）为拒绝由于异常值引起的错误信息提供了更大的灵活性。具体而言，我们采用马哈拉诺比斯距离测试来检测并暂时消除约束，当它们最不可能（在概率意义上）被满足时（例如，当机器人越过碰撞时）。

在下文中，我们关注一个特定的流形，一个对应于平面运动的流形，并详细介绍如何在VINS中使用这些信息。
待翻译：