歡迎傳感器廠商聯(lián)系我們，這里既是一個(gè)評(píng)測(cè)平臺(tái)，也是一個(gè)宣傳平臺(tái)。希望您能夠通過(guò)泡泡機(jī)器人的"傳感器評(píng)測(cè)"欄目，發(fā)布給合適的目標(biāo)用戶群。同時(shí)，也希望我們?cè)谠u(píng)測(cè)過(guò)程中，為傳感器提供有用的意見(jiàn)和建議，幫助傳感器做的更好。

  只要和SLAM相關(guān)的設(shè)備，我們都可以評(píng)測(cè)，包括但不限于單目、雙目攝像頭，RGBD攝像頭，激光雷達(dá)，運(yùn)動(dòng)底盤，計(jì)算平臺(tái)，imu傳感器等等。

  泡泡機(jī)器人-傳感器評(píng)測(cè)專欄， 希望架起一座SLAM傳感器的橋梁，在SLAM技術(shù)進(jìn)化的道路上，起到一點(diǎn)點(diǎn)促進(jìn)作用。

  評(píng)測(cè)人：郭榮偉，周平

  歡迎個(gè)人轉(zhuǎn)發(fā)朋友圈；其他機(jī)構(gòu)或自媒體如需轉(zhuǎn)載，后臺(tái)留言申請(qǐng)授權(quán)

寫在前面的話

  在本次評(píng)測(cè)過(guò)程中，泡泡機(jī)器人的評(píng)測(cè)人和傳感器廠商的技術(shù)人員進(jìn)行了充分的溝通。傳感器廠商表示，在溝通過(guò)程中，為小覓雙目攝像頭提供了很多有用的建議，使得小覓雙目攝像頭在未來(lái)，能夠產(chǎn)出更適合vSLAM的模組，為vio的技術(shù)發(fā)展提供更好的傳感器支持。

  在“上一篇評(píng)測(cè)”中我們進(jìn)行了評(píng)測(cè)前的準(zhǔn)備工作，并基于sSensSLAMAR評(píng)測(cè)了相機(jī)對(duì)vio的支持情況。本篇文章將從imu角度對(duì)相機(jī)進(jìn)行評(píng)測(cè)。

分析imu的噪聲(Noise density)和隨機(jī)游走(random walk)

  基本的imu噪聲建模方式為噪聲和隨機(jī)游走,模型方程可表示為:

  從上面的模型可知, 我們?cè)谀Ｐ椭行枰膮?shù)是幾個(gè)分布的方差值, 這些方差值是硬件相關(guān)的,由硬件特性決定,因此下面我們討論如何獲取這些參數(shù).

  隨后我用小覓的API接口將imu的一些參數(shù)讀了出來(lái), 其中accel和gyro的noise項(xiàng)都是0, 后面會(huì)通過(guò)標(biāo)定結(jié)果進(jìn)行對(duì)比。

  參考Kalibr的wiki說(shuō)明, 得知可以通過(guò)Allan standard deviation來(lái)分析imu的噪聲性能.方法是將imu靜置并采集數(shù)據(jù),一般要求一個(gè)小時(shí)以上,然后用這些數(shù)據(jù)進(jìn)行分析.Kalibr上提供的示例圖如下:

  因此我們將小覓相機(jī)接在PC上(我用的是WIN10 VS2017環(huán)境,IMU使用200Hz的采集速率,單位換算成了rad/s和m/s^2 下同), 采集了三組數(shù)據(jù), 每組大概持續(xù)2小時(shí),為了解除溫漂影響, 我將imu設(shè)置為PROC_IMU_TEMP_DRIFT模式.采集好數(shù)據(jù)后, 我們使用imu_utils提供的分析及可視化代碼來(lái)處理.得到如下結(jié)果:

  可以看出實(shí)地測(cè)量出來(lái)的數(shù)值與官方數(shù)據(jù)在量級(jí)上基本吻合, 但是偏小. Kalibr文檔也建議,在應(yīng)用這些參數(shù)時(shí),需要人為把方差調(diào)大以防止過(guò)于詳細(xì)imu數(shù)值.另外在gyro的結(jié)果圖中的左上部分還觀察到了上凸現(xiàn)象, 不知這是什么原因.

分析imu的scale,misalignment,bias數(shù)值

  上文使用了bias+noise的方法來(lái)進(jìn)行imu建模, 但實(shí)際上, imu的模型可能比上面的模型復(fù)雜很多, 比如加速度計(jì)和陀螺儀可能不是共軸的, 也可能他們自己的三個(gè)軸就不是正交的.因此這里我們用更復(fù)雜的模型來(lái)建模imu, 這里我們額外考慮了 scale和misalignment參數(shù).

  Scale主要是解決數(shù)據(jù)尺度問(wèn)題, 而misalignment則要解決陀螺儀和加速度計(jì)的相對(duì)旋轉(zhuǎn)及軸正交問(wèn)題. Imu的scale/misalignment/bias 對(duì)于每個(gè)硬件都不相同, 因此在數(shù)據(jù)手冊(cè)中一般沒(méi)有這些數(shù)據(jù). 而且scale/misalignment/bias的建模方法也有很多. 我查看了從小覓相機(jī)的api讀出的這些參數(shù), 發(fā)現(xiàn)他們的建模方法與IMU_TK的建模方法是一樣的. 所以小覓相機(jī)的出廠標(biāo)定應(yīng)該是用IMU_TK做的, 但不知道是每個(gè)相機(jī)都會(huì)做一次還是一批相機(jī)只做一次.

  IMU_TK的建模公式為:

  可以看出b為bias參數(shù), T為misalignment參數(shù), K為scale參數(shù).從參數(shù)構(gòu)成可以看出, IMU_TK的模型是以加速度計(jì)為初始, 認(rèn)為加速度計(jì)的Z軸是標(biāo)準(zhǔn)的, 然后校正三個(gè)軸互相垂直, 然后再校正陀螺儀的三個(gè)軸對(duì)應(yīng)加速度計(jì)的關(guān)系.標(biāo)定流程如下圖所示:

  如流程所示, 需要在采集IMU的時(shí)候?qū)MU不停翻面并靜置, 因此我們按此方法使用小覓相機(jī)采集了3組數(shù)據(jù),同樣設(shè)置了PROC_IMU_TEMP_DRIFT以避免溫漂問(wèn)題. 由于算法需要加速度計(jì)的時(shí)間戳和陀螺儀的時(shí)間戳是完全一致的, 而小覓的相機(jī)加速度計(jì)和陀螺儀時(shí)間戳不是完全同步的, 因此我在采集的時(shí)候, 以陀螺儀時(shí)間戳為基礎(chǔ), 對(duì)加速度計(jì)數(shù)據(jù)進(jìn)行了線性插值. 實(shí)現(xiàn)了兩種數(shù)據(jù)的完全同步. 每組數(shù)據(jù)會(huì)有20~30次的翻面過(guò)程.下圖是其中一組數(shù)據(jù)的值.

  采集好數(shù)據(jù)后, 需要將數(shù)據(jù)輸入以下算法進(jìn)行計(jì)算.

  從流程圖中可以看出, 從初始的靜止?fàn)顟B(tài)得到陀螺儀的bias值,然后先標(biāo)定加速度計(jì). 加速度計(jì)的error function為:

  物理意義為當(dāng)加速度計(jì)靜止的時(shí)候, 他的norm值應(yīng)該與重力加速度值相等. 使用LM優(yōu)化方法迭代優(yōu)化.在得出加速度計(jì)參數(shù)值以后, 再使用這些參數(shù)重新校正所有加速度計(jì)值.并進(jìn)行陀螺儀標(biāo)定. 陀螺儀的error function為:

  物理意義為兩個(gè)加速度計(jì)靜止?fàn)顟B(tài)之間的旋轉(zhuǎn)角度, 應(yīng)該等同于陀螺儀在這段時(shí)間之內(nèi)的積分值.同樣采用LM迭代優(yōu)化方法, 并采用龍格庫(kù)塔四階積分方法.

  在優(yōu)化自己采集的數(shù)據(jù)的同時(shí), 我們讀取了小覓相機(jī)自帶的標(biāo)定參數(shù),以下是比較結(jié)果:

  由于小覓的出廠標(biāo)定沒(méi)有設(shè)置初始bias, 因此我們認(rèn)為都是0, 實(shí)際上在采集數(shù)據(jù)的計(jì)算結(jié)果中也可以看到標(biāo)定出的bias值都非常小. 從上面兩個(gè)表可以看出不同dataset的標(biāo)定結(jié)果基本接近, 與小覓的出廠標(biāo)定數(shù)據(jù)也基本一致.

  （此文系轉(zhuǎn)載，文中所有文字內(nèi)容和圖片之知識(shí)產(chǎn)權(quán)均系原作者和機(jī)構(gòu)所有。）

MYNTAI（小覓智能）2014年7月成立于美國(guó)硅谷，專注立體視覺(jué)技術(shù)整體解決方案，致力于為AI打造三維視覺(jué)慧眼。核心產(chǎn)品和技術(shù)包括以雙目為主的多傳感器融合模組、視覺(jué)慣性導(dǎo)航技術(shù)、量產(chǎn)級(jí)的雙目標(biāo)定技術(shù)、量產(chǎn)級(jí)的雙目自標(biāo)定技術(shù)等，以及核心產(chǎn)品和技術(shù)在服務(wù)機(jī)器人、掃地機(jī)器人、安防機(jī)器人、無(wú)人車、無(wú)人機(jī)和輔助駕駛ADAS中的應(yīng)用。

小覓智能由斯坦福大學(xué)機(jī)器人視覺(jué)專業(yè)，硅谷連續(xù)創(chuàng)業(yè)者龐琳勇（Leo）博士創(chuàng)立，在北京、無(wú)錫、和硅谷擁有100人的研發(fā)團(tuán)隊(duì)。

MYNTAI（小覓智能）在開(kāi)曼群島設(shè)有母公司Slightech, Inc. ，并在中國(guó)無(wú)錫設(shè)有全資子公司輕客智能科技（江蘇）有限公司，在中國(guó)北京設(shè)有全資子公司輕客小覓智能科技（北京）有限公司。

品牌理念

企業(yè)定位：專注于“立體視覺(jué)技術(shù)解決方案”的人工智能公司

企業(yè)使命：為人工智能時(shí)代應(yīng)用裝上一雙導(dǎo)航避障的雙眼

企業(yè)精神：誠(chéng)信勤奮執(zhí)行協(xié)作