Pedestrian Dead Reckoning-Aided Robust Monocular Visual-Inertial Odometry under Vision-Degraded Conditions = 영상 인식 저하 환경에서 보행 추측 항법을 활용한 강인한 단안 영상-관성 오도메트리

국문 초록 (Abstract)

스마트폰, VR 헤드셋 등 모바일 기기의 보급이 확대됨에 따라 정밀한 실내 위치 추정 기술에 대한 수요가 급격히 증가하고 있다. 영상-관성 오도메트리(Visual-Inertial Odometry, VIO)는 핵심 기술로서 널리 연구되어 왔으나, 조명 변화, 렌즈 가림 등 시각적 특징점의 추적이 실패하기 쉬운 환경에서 성능이 크게 저하되는 한계가 있다.
본 논문에서는 영상 저하 환경에서도 위치 추정의 정밀도와 강인성을 유지하기 위해, 보행 추측 항법(Pedestrian Dead Reckoning, PDR)기반 위치를 추가적인 측정치로 활용하는 Multi-State Constraint Kalman Filter(MSCKF) 기반 단안 VIO 알고리즘을 제안한다. PDR 측정치의 오차 공분산을 Weinberg 보폭 모델의 파라미터의 샘플링 분포를 활용해 통계적으로 유도하고, 추적된 영상 특징점의 개수와 convex hull 면적을 기반으로 정의한 Image Measurement Quality Value (IMQV)을 통해 공분산을 적응적으로 조절하는 방법을 제안한다. 또한, 센서의 헤딩과 실제 보행 방향 간의 불일치를 검출 및 보정하기 위해 MSCKF의 상태 변수로서 추정한 위치를 활용한다.
제안된 기법은 다양한 시나리오에서 실험적으로 검증되었으며, 시나리오 4를 제외한 환경에서 단독 VIO, 단독 PDR, 고정된 공분산을 사용한 PDR 보조 VIO 대비 가장 낮은 평균 제곱근 오차(RMSE)를 기록함으로써 높은 정밀도와 강인성을 보였다.

다국어 초록 (Multilingual Abstract)

With the advancement of mobile devices such as smartphones and VR headsets, the demand for accurate indoor localization has increased significantly. Visual-inertial odometry (VIO) has been widely studied due to its high positioning accuracy; however, filter-based visual-inertial odometry (VIO) still suffers from severe performance degradation under visually challenging conditions such as illumination changes, lens occlusion, or featureless environments. To enhance localization accuracy and robustness against visual feature tracking failures, this thesis proposes a pedestrian dead reckoning (PDR)-aided monocular VIO algorithm with statistically derived and adaptively scaled PDR measurement error-covariance. Since PDR can provide reliable position estimates under vision-degraded conditions, its estimates are incorporated as additional measurements within a multi-state constraint Kalman filter (MSCKF). The PDR error-covariance is derived from the sampling distribution of the gain parameter in the Weinberg step length model and is adaptively scaled according to the proposed image measurement quality value (IMQV), which reflects both the number and the convex hull area of tracked features. Various real-world experiments demonstrate that the proposed method consistently achieves lower root mean square position error (RMSE) than standalone PDR, standalone VIO, and PDR-aided VIO methods with a constant PDR error-covariance, confirming its superior robustness under vision-degraded conditions.

목차 (Table of Contents)

• Chapter 1 Introduction 1
• 1.1 Introduction 1
• 1.2 Contributions 3
• Chapter 2 Related Works 5
• 2.1 Pedestrian dead reckoning (PDR) 5
• 2.2 PDR-aided visual-inertial navigation systems 6
• Chapter 3 PDR Measurement Formulation 8
• 3.1 Step detection 8
• 3.2 Step length estimation 9
• 3.3 Heading estimation 10
• 3.4 Two-dimensional position estimation 14
• Chapter 4 PDR-aided Visual-Inertial Odometry Algorithm 15
• 4.1 System overview 15
• 4.2 PDR measurement error-covariance formulation 17
• 4.3 Multi-state constraint Kalman filter update 24
• Chapter 5 Experiments 27
• 5.1 Experimental setup 27
• 5.2 Results 30
• Chapter 6 Conclusion 38
• 6.1 Conclusion and summary 38
• 6.2 Future work 39
• Bibliography 40
• 국문초록 46