Camera-Based Egomotion in a Self-Driving Car

Abstract

Visual odometry (VO) is an important part of egomotion estimation in mobile robot applications. This work presents an evaluation of three state-of-the-art VO algorithms: DSO, ORB-SLAM2 and SVO2. The performance is evaluated in thirteen trajectories with different frame rates enforcing real-time and offline execution. To benchmark the VO algorithms, a novel dataset with high frame rate of 200 frames per second was collected. The dataset consists of thirteen grayscale stereo image sequences recorded with a resolution of 968 x 416 and an accurate real-time kinematics (RTK) corrected reference from GNSS inertial navigation system at 100 Hz. Furthermore, exposure times and gain values are provided for each image together with a photometric calibration. It is shown that none of the algorithms were able to provide acceptable estimate in all trajectories and that higher frame rates can help VO algorithms to provide more robust and accurate location estimates.

Kuvapohjainen odometria on tärkeä osa liikkuvien robottien oman liikkeen estimointia. Tässä työssä vertaillaan kolmea kuvapohjaista odometriamenetelmää (DSO, ORB-SLAM2 ja SVO2) kolmellatoista ajoreitillä sekä reaaliaikasena että ilman laskennan aikarajoitusta. Menetelmien vertailua varten on kerätty korkeataajuinen visuaalisen odometrian mittausaineisto. Se koostuu harmaasävystereokamerakuvista, jotka on kerätty 968 x 416 resoluutiolla ja 200 Hz:n taajuudella, sekä tarkasta yhdistetyllä satelliittipaikannus- ja inertiamittausjärjestelmällä tuotetusta 100 Hz:n taajuisesta vertailumittauksesta. Lisäksi kaikille kuville on mitattu kameran valotusaika sekä vahvistusluku, ja kamerat on fotometrisesti kalibroitu. Työssä havaittiin, että yksikään testattu menetelmä ei onnistunut tuottamaan hyväksyttävää estimaattia kaikilla ajoreiteillä, ja että korkeampien kuvataajuuksien käyttö voi auttaa kuvapohjaisia odometriamenetelmiä estimoimaan omaa liikettään luotettavammin ja tarkemmin.