TON-VIO: Online Time Offset Modeling Networks for Robust Temporal Alignment in High Dynamic Motion VIO

本文主要针对低成本的视觉惯性里程计（VIO）系统中常见的传感器时间偏移问题进行研究。这种时间偏移会导致状态估计中不一致的约束，尤其在高动态运动场景下会导致显著的位置漂移。为了减少时间偏移对高动态运动VIO系统造成的位置漂移，本文专注于在线时间校准。现有的时间偏移观测模型大多依赖于精确的状态估计或稳定的视觉跟踪。对于预测模型，目前的方法过于简化时间偏移为带有白噪声的常量值。然而，这些理想条件在真实的高动态场景中很少得到满足，导致性能较差。因此，本文引入了在线时间偏移建模网络（TON）来增强实时时间校准的精度。TON可以提高时间偏移观测和预测建模的准确性。具体而言，对于观测建模，我们提出了特征速度观测网络来增强不稳定视觉跟踪条件下特征的速度计算。对于预测建模，我们提出了时间偏移预测网络来学习其演化模式。为了突出我们方法的有效性，我们将提出的TON集成到基于优化和基于滤波的VIO系统中。我们进行了模拟和实际实验来展示我们方法的增强性能。此外，为了为VIO社区做出贡献，我们将开源我们的方法代码，网址为：https://github.com/Franky-X/FVON-TPN。

本文旨在解决低成本视觉惯性里程计（VIO）系统中传感器之间的时间偏移问题，该偏移会导致不一致的状态估计约束，从而在高动态运动场景下产生显著的定位漂移。

本文提出了一种在线时间偏移建模网络（TON）来增强实时时间校准的精度。TON通过改进时间偏移观测和预测建模来提高精度。具体而言，对于观测建模，本文提出了特征速度观测网络来增强不稳定视觉跟踪条件下的特征速度计算。对于预测建模，本文提出了时间偏移预测网络来学习其演化模式。

本文将所提出的TON集成到基于优化和基于滤波的VIO系统中，进行了模拟和实际测试，证明了其优越性能。此外，本文还开源了其方法的代码。

与此相关的研究包括：Temporal Calibration of Low-Cost Inertial Measurement Units for High-Dynamic Motion Applications、Real-Time Online Temporal Calibration for Monocular Visual-Inertial Systems、A Robust Online Temporal Calibration Method for Visual-Inertial Systems等。