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

一般而言，与点特征相比，高级特征提供更多的几何信息，这些信息可以被利用来进一步约束运动。平面在人造环境中很常见，提供了一种主动的方式来减少漂移，因为它们具有广泛的空间和时间可观测性。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），使用RGBD相机和惯性测量单元（IMU），在扩展卡尔曼滤波（EKF）框架中有效地集成了点特征和平面特征。点特征的深度信息被利用来提高点三角化的精度，而平面特征则作为直接观测添加到状态向量中。值得注意的是，为了受益于长期导航，我们提出了一种新颖的基于图形的漂移检测策略，以搜索平面地图中重叠和相同的结构，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方面优于现有方法，同时生成一个紧凑且一致的平面地图，无需昂贵的全局捆绑调整和环路闭合技术。

本文旨在提高视觉惯性里程计（VIO）的定位精度和长期导航的稳定性，通过融合点特征和平面特征，以及引入图形漂移检测策略，解决VIO中的漂移问题。

本文提出了一种基于RGBD相机和惯性测量单元（IMU）的VIO方法，采用扩展卡尔曼滤波（EKF）框架，将点特征的深度信息用于三角测量，将平面特征作为直接观测量加入状态向量，并引入图形漂移检测策略，以搜索平面地图中的重叠结构来抑制累积漂移。

本文在两个公共数据集上进行了实验，证明了该方法在定位精度和平面地图的一致性方面优于现有方法，且无需进行昂贵的全局捆绑调整和闭环检测技术。此外，本文提供了开源代码。

与本文相关的研究包括：《Visual-Inertial Navigation: A Concise Review》、《Visual-Inertial Odometry: A Survey》、《Robust Visual-Inertial Odometry for Fast Autonomous Flight》等。