Resumen Técnico: TACO – Optimización de Alineación de Trayectorias entre Vistas Cruzadas

Enunciado del Problema

La robótica móvil autónoma depende en gran medida de los Sistemas Satelitales de Navegación Global (GNSS) para el posicionamiento absoluto. Sin embargo, las señales GNSS se ven frecuentemente obstruidas, reflejadas o interferidas en entornos críticos como cañones urbanos y espacios aéreos disputados. Aunque la Odometría Visual-Inercial (VIO) y el SLAM visual proporcionan movimiento relativo de alta tasa, acumulan deriva ilimitada con el tiempo y requieren ya sea mapas preconstruidos o re-visitas a regiones previamente mapeadas para corregir errores. Ninguno de estos enfoques es adecuado para misiones de primer tránsito en terrenos sin mapa sin comunicación externa.

Los métodos recientes de Geolocalización entre Vistas Cruzadas (CVGL) han avanzado desde la recuperación gruesa a nivel de baldosa hasta la regresión métrica de pose de alta granularidad, alcanzando una precisión sub-baldosa. Sin embargo, estos métodos históricamente han sido evaluados únicamente como localizadores de "un solo disparo" (emparejando una sola imagen terrestre con un recorte satelital único) y nunca han sido integrados como la corrección absoluta principal en una tubería en vivo de ejecución continua. El desafío consiste en crear un localizador sin mapa y con deriva acotada que opere indefinidamente utilizando únicamente sensores a bordo (IMU y cámara monocular) y una única lectura inicial de GNSS, sin requerir comunicación externa en vivo ni suites de sensores costosas.

Metodología

TACO (Optimización de Alineación de Trayectorias entre Vistas Cruzadas) propone una tubería acoplada estrechamente que fusiona la estimación por deducción inercial (dead-reckoning) de la IMU con CVGL de alta granularidad. El sistema opera en una sola GPU de consumo y utiliza una cámara monocular e IMU, consumiendo GNSS únicamente al inicio para establecer el origen UTM inicial.

Componentes Principales

1. Preintegración de IMU y Modelado de Errores:
   El sistema mantiene una estimación de deducción inercial de posición y rumbo. Un modelo de error de forma cerrada rastrea la incertidumbre acumulada desde la última corrección aceptada. Calcula el error de desviación transversal (impulsado por la deriva aleatoria del giroscopio) y el error de desviación longitudinal (impulsado por la deriva del sesgo del acelerómetro). Este modelo genera un valor de activación escalar, $\epsilon_{IMU}$, que escala con la distancia recorrida y el tiempo transcurrido.

2. Activación y Búsqueda Multi-Recorte:
   Se activa una inferencia de CVGL cuando el error estimado de la IMU supera un umbral (1.0 m) o se alcanza un límite de tiempo (2.0 s). Para asegurar que la consulta permanezca dentro del radio de captura del emparejador CVGL a pesar de la deriva de la IMU, TACO emplea una búsqueda sesgada hacia adelante:

   • Sesgo hacia adelante: El centro de búsqueda se desplaza hacia adelante a lo largo del rumbo actual por una fracción del error estimado ($\delta_{fwd}$) para tener en cuenta el movimiento del vehículo entre el último punto de anclaje y la activación.
   • Cruz de Cinco Puntos: En lugar de una única consulta, el sistema evalúa cinco recortes satelitales candidatos alrededor del centro sesgado (adelante, atrás, izquierda, derecha y centro). Se selecciona el candidato con el mayor peso de emparejamiento. Esto mantiene el costo de inferencia fijo en cinco pasadas hacia adelante por activación.

3. Módulo CVGL (FG2):
   TACO utiliza FG2, un emparejador de alta granularidad que regresa la pose métrica dentro de una baldosa satelital. Eleva las características terrestres a una cuadrícula de Vista Aérea (BEV) y las empareja con celdas satelitales utilizando una columna vertebral compartida DINOv2 y alineación de Procrustes. La salida es una traslación 2D, una rotación y un peso de confianza.

4. Puerta de Residuo de Guiñada:
   Antes de fusionar una corrección de CVGL, el sistema verifica la consistencia del rumbo. Dado que la baldosa satelital se rota para alinearse con la brújula a bordo, la matriz de rotación devuelta por la red codifica el error residual de guiñada. Las correcciones con un residuo que excede $\approx 20^\circ$ se rechazan para evitar que el filtro se bloquee en estructuras simétricas (por ejemplo, plazas de aparcamiento paralelas) que producen altos pesos de emparejamiento pero poses geométricamente incorrectas.

5. Fusión UKF con Ruido Anisotrópico:
   Las correcciones aceptadas actualizan un Filtro de Kalman Unscented (UKF). El modelo de ruido de medición es anisotrópico y escalado por el inverso del peso de emparejamiento. Esto refleja la geometría del emparejador BEV, que típicamente resuelve la posición a lo largo del rumbo con mayor precisión que la posición transversal al rumbo. El filtro actualiza únicamente el estado de posición, preservando el rumbo derivado de la brújula y las estimaciones de velocidad de la IMU.

6. Suavizado Offline:
   Un grafo de factores (GTSAM) se ejecuta offline para el post-procesamiento. Incorpora la misma odometría de IMU y correcciones de CVGL, aumentadas por cierres de bucle verificados geométricamente. Los cierres de bucle se detectan basándose en la proximidad espacial, el intervalo temporal y una prueba de relación camino-cuerda para distinguir re-visitas reales de segmentos de carretera paralelos.

Contribuciones Clave

• Primer Localizador CVGL de Alta Granularidad en Vivo: TACO es el primer sistema que utiliza CVGL de alta granularidad como el único ancla absoluta en un localizador en vivo de ejecución indefinida, reemplazando el GNSS en vivo con una única corrección de inicio.
• Búsqueda Sesgada hacia Adelante Activada por Error: Un mecanismo activado por el error de la IMU combinado con una búsqueda de cinco puntos sesgada hacia adelante asegura que el emparejador opere dentro de su radio de captura con un costo de inferencia fijo y bajo.
• Puerta de Consistencia Geométrica: Una puerta de residuo de guiñada y un modelo de ruido anisotrópico por corrección aseguran que solo las correcciones geométricamente consistentes y ponderadas por confianza sean admitidas en el estimador de estado.

Resultados

El sistema fue evaluado en la referencia de odometría KITTI (ocho secuencias) utilizando una sola GPU de consumo (RTX 3090).

• Precisión: En el grupo representativo de secuencias (conducción urbana con giros), TACO redujo el Error de Trayectoria Absoluta (ATE) mediano de 97.0 m (solo IMU) a 16.3 m, una reducción de 5.9×. Superó a otros baselines de sensores mínimos (DROID-SLAM, DPVO) en todas las secuencias representativas.
• Acotación de la Deriva: Mientras que el error solo de IMU creció de forma superlineal con la distancia, TACO mantuvo un envoltorio de error acotado (aproximadamente 30 m) en trayectorias de varios kilómetros.
• Eficiencia: El sistema opera con un ciclo de trabajo de CVGL de solo 5–10% (cámara activa únicamente durante las activaciones). El costo de fusión por cuadro es < 0.1 ms, y el costo total de GPU es de 2.0–4.1 segundos de GPU por cada 100 m, un orden de magnitud menor que localizadores asistidos por mapas comparables que ejecutan CVGL en cada cuadro.
• Hardware: El sistema se ejecuta en tiempo real en una sola RTX 3090 con un uso de VRAM de ~1.5 GB, lo que sugiere viabilidad para el despliegue en módulos integrados como Jetson Orin.

Significado y Afirmaciones

El artículo afirma que TACO demuestra la viabilidad de utilizar CVGL de alta granularidad no solo como una herramienta de recuperación de un solo disparo, sino como la señal de corrección absoluta principal en un bucle de fusión de sensores para vehículos terrestres en movimiento. Al acoplar estrechamente la estimación por deducción inercial de la IMU con actualizaciones de CVGL escasas y activadas, TACO logra localización sin deriva, sin mapa y sin GNSS utilizando únicamente sensores estándar en la mayoría de las plataformas autónomas al aire libre.

Los autores enfatizan que este enfoque resuelve el problema del "primer tránsito" en terrenos sin mapa sin requerir LiDAR costoso, mapas preconstruidos o comunicación externa continua. La capacidad del sistema para mantener un error acotado en ejecuciones indefinidas utilizando una única corrección inicial de GNSS representa un paso significativo hacia la autonomía robusta en entornos donde el GNSS está denegado. El artículo nota modestamente que las mejoras adicionales de precisión están limitadas por la columna vertebral subyacente de CVGL (FG2) y no por la arquitectura de fusión en sí misma.