Быстрый блочный фильтр Калмана для задач визуально-инерциальной навигации
EDN: LOLQGD
Аннотация
В статье описывается быстрый блочный фильтр Калмана (ББФК) для визуально-инерциальной навигации. Этот фильтр позволяет рекуррентно оценить вектор состояния, включающий навигационные параметры подвижного объекта и координаты N визуальных признаков, с вычислительной сложностью, сниженной до O(N) за счет декомпозиции алгоритма оценивания. При этом сложность O(N) обеспечивается при одновременном наблюдении всех N признаков в течение произвольного времени. За счет специальной процедуры расширения исходного вектора состояния, производимой с использованием метода главных компонент, оценки блочного фильтра приближены к оценкам обобщенного фильтра Калмана (ОФК). Ранее показано, что ОФК обладает в данной задаче высокой точностью при адекватности моделей погрешностей. Сравнение с ОФК по времени вычислений и точности оценок выполнено путем моделирования работы БИНС, корректируемой на основе информации о визуальных признаках. Полученные результаты показали, что пренебрежимо малые отклонения от оценок ОФК имеют место при размерностях расширения исходного вектора состояния, незначительно влияющих на объем вычислений. Продемонстрирована также возможность обработки сотен признаков в реальном времени в однопоточном режиме.
Ключевые слова
визуально-инерциальная навигация,
калмановская фильтрация,
вычислительная эффективность,
бесплатформенная инерциальная навигационная система,
визуальные признаки
При поддержке: Работа выполнена при поддержке Минобрнауки России (гос. задание FENU-2024-0004 от 17.01.24).
Об авторе
Н. И. Циоплиакис
Южно-Уральский государственный университет
Россия
Россия
Циоплиакис Николаос Илиас. Аспирант, кафедра информационно-измерительной техники
Челябинск
Список литературы
1. Huang, G., Visual-Inertial Navigation: A Concise Review, 2019 International Conference on Robotics and Automation (ICRA), Montreal, 2019, рр. 9572–9582, https://doi.org/10.1109/ICRA.2019.8793604.
2. Степанов О.А. Основы теории оценивания с приложениями к задачам обработки навигационной информации. Ч. 1. Введение в теорию оценивания. Изд. 4-е, испр. и доп. СПб.: ГНЦ РФ АО «Концерн «ЦНИИ «Электроприбор», 2025. 498 с.
3. Bloesch, M., Burri, M., Omari, S., Hutter, M., Siegwart, R., Iterated extended Kalman filter based visual-inertial odometry using direct photometric feedback, The International Journal of Robotics Research, 2017, vol. 36, no. 10, рр. 1053–1072, https://doi.org/10.1177/0278364917728574.
4. Wu, K., Zhang, T., Su, D., Huang, S., Dissanayake, G., An Invariant-EKF VINS Algorithm for Improving Consistency, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, Canada, 2017, pp. 1578–1585, https://doi.org/10.1109/IROS.2017.8205965.
5. Степанов О.А., Исаев А.М. Методика сравнительного анализа рекуррентных алгоритмов нелинейной фильтрации в задачах обработки навигационной информации на основе предсказательного моделирования // Гироскопия и навигация. 2023. Т. 31. №3 (122). C. 48–65. EDN: MVWKGC.
6. Болотин Ю.В., Брагин А.В., Гулевский Д.В. Исследование состоятельности расширенного фильтра Калмана в задаче навигации пешехода с БИНС, закрепленными на стопах // Гироскопия и навигация. 2021. Т. 29. № 2 (113). С. 59–77. DOI: 10.17285/0869-7035.0063.
7. Gui, J., Gu, D., Wang, S., Hu, H., A Review of Visual Inertial Odometry from Filtering and Optimisation Perspectives, Advanced Robotics, 2015, vol. 29, no. 1, рр. 1–13, https://doi.org/10.1080/01691864.2015.1057616.
8. Qin, T., Li, P., Shen, S., VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator, IEEE Transactions on Robotics, 2018, vol. 34, no. 4, рр. 1004–1020, https://doi.org/10.1109/TRO.2018.2853729.
9. Leutenegger, S., Lynen, S., Bosse, M., Siegwart, R., Furgale, P., Keyframe-Based Visual-Inertial Odometry Using Nonlinear Optimization, The International Journal of Robotics Research, 2014, vol. 34, no. 3, рр. 314–334, https://doi.org/10.1177/0278364914554813.
10. Mourikis, A.I., Characterization and optimization of the accuracy of mobile robot localization: PhD thesis. Minneapolis: University of Minnesota, 2008. 210 p.
11. Mourikis, A.I., Roumeliotis, S.I., A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation, Proceedings 2007 IEEE International Conference on Robotics and Automation, Rome, 2007, рр. 3565–3572, https://doi.org/10.1109/ROBOT.2007.364024.
12. Huai Z., Huang, G., Robocentric visual-inertial odometry, The International Journal of Robotics Research, 2019, vol. 41, no 7, pp. 667–689, https://doi.org/10.1177/0278364919853361.
13. Kaess, M., Ranganathan, A., Dellaert, F., iSAM: Fast Incremental Smoothing and Mapping with Efficient Data Association, Proceedings 2007 IEEE International Conference on Robotics and Automation, Rome, 2007, pp. 1670–1677, https://doi.org/10.1109/ROBOT.2007.363563.
14. Kazerouni, I. A., Fitzgerald, L., Dooly, G., Toal, D., A survey of state-of-the-art on visual SLAM, Expert Systems with Applications, 2022, vol. 205, рр. 117734, https://doi.org/10.1016/j.eswa.2022.117734.
15. Barrau, A., Bonnabel, S., The Invariant Extended Kalman Filter as a Stable Observer, IEEE Transactions on Automatic Control, 2017, vol. 62, no. 4, рр. 1797–1812, https://doi.org/10.1109/TAC.2016.2594085.
16. Carlson, N.A., Federated square root filter for decentralized parallel processors, IEEE Transactions on Aerospace and Electronic Systems, 1990, vol. 26, no. 3, рр. 517–525, https://doi.org/10.1109/7.106130.
17. Paik, B.S., Oh, J.H., Gain fusion algorithm for decentralised parallel Kalman filters, IEE Proceedings – Control Theory and Applications, 2000, vol. 147, no. 1, рр. 97–103, https://doi.org/10.1049/ip-cta:20000141.
18. Roy, S., Hashemi, R.H., Laub, A.J., Square root parallel Kalman filtering using reduced-order local filters, IEEE Transactions on Aerospace and Electronic Systems, 1991, vol. 27, no. 2, рр. 276–289, https://doi.org/10.1109/7.78303.
19. Stepanov, O., Litvinenko, Y., Research of Nonrecursive Federated Filtering Algorithms under Non-White Noise Measurement Errors, Ronzhin, A., Truong, XT., Meshcheryakov, R. (eds) Interactive Collaborative Robotics, ICR 2025, Lecture Notes in Computer Science, 2026, vol. 16304, Springer, Cham., https://doi.org/10.1007/978-3-032-11903-2_23.
20. Holmes, M., Introduction to Scientific Computing and Data Analysis, Cham: Springer, 2016, 440 p., https://doi.org/10.1007/978-3-319-30256-0.
21. Циоплиакис Н.И. Блочный фильтр Калмана с линейной вычислительной сложностью для комплексированных с техническим зрением инерциальных навигационных систем // Вестник ЮУрГУ. Сер.: Компьютерные технологии, управление, радиоэлектроника. 2024. Т. 24. № 4. С. 43–56. DOI: 10.14529/ctcr240404.
22. Civera, J., Davison, A.J., Montiel, J.M.M., Inverse Depth Parametrization for Monocular SLAM, IEEE Transactions on Robotics, 2008, vol. 24, no. 5, рр. 932–945, https://doi.org/10.1109/TRO.2008.2003276.
23. Hesch, J.A., Kottas, D.G., Bowman, S.L., Roumeliotis, S.I., Observability-Constrained Vision-Aided Inertial Navigation, University of Minnesota, Dept. of Comp. Sci. & Eng., MARS Lab., Tech. Rep., 2012, vol. 1.
24. Цыганова Ю.В., Куликова М.В. О современных ортогонализованных алгоритмах оптимальной дискретной фильтрации // Вестник ЮУрГУ. Сер.: Математическое моделирование и программирование. 2018. Т. 11. № 4. С. 5–30. DOI: 10.14529/mmp180401.
25. Афанасьев В.Н. Стохастические системы. Оценки и управление. 1-е изд. М.: ЛЕНАНД, 2018. 152 с.
26. Адамов Б.И., Маслов А.Н., Осадченко Н.В. Применение основных матричных разложений в задачах механики и робототехники. М.: МЭИ, 2019.
27. Shi, J., Tomasi, C., Good Features to Track, IEEE Conference on Computer Vision and Pattern Recognition, Seattle, 1994, рр. 593–600, https://doi.org/10.1109/CVPR.1994.323794.
28. Kalal, Z., Mikolajczyk, K., Matas, J., Forward-Backward Error: Automatic Detection of Tracking Failures, 20th International Conference on Pattern Recognition, Istanbul, 2010, рр. 2756–2759, https://doi.org/10.1109/ICPR.2010.675.
29. Rublee, E., Rabaud, V., Konolige, K., Bradski, G.R., ORB: An efficient alternative to SIFT or SURF, IEEE International Conference on Computer Vision (ICCV), Barcelona, 2011, рр. 2564–2571, https://doi.org/10.1109/ICCV.2011.6126544.
Рецензия
Для цитирования:
Циоплиакис Н.И. Быстрый блочный фильтр Калмана для задач визуально-инерциальной навигации. Гироскопия и навигация. 2026;34(1):71-95. EDN: LOLQGD
For citation:
Tsiopliakis N. Fast Block Kalman Filter (FBKF) for Visual-Inertial Navigation Tasks. Giroskopiya i Navigatsiya. 2026;34(1):71-95. (In Russ.) EDN: LOLQGD
Просмотров:
165
JATS XML
Послать статью по эл. почте 