[論文レビュー] ACSC: Automatic Calibration for Non-repetitive Scanning Solid-State LiDAR and Camera Systems

Jiahe Cui, Jianwei Niu+3 more|arXiv (Cornell University)|Nov 17, 2020

Robotics and Sensor-Based Localization参考文献 26被引用数 34

ひとこと要約

ACSC は、時間領域統合と印刷チェッカーボードの反射特性に基づく3Dコーナー推定を活用して、SSL-カメラ系の完全自動外部校正を行い、その後ターゲットベースの外部推定を行う。

ABSTRACT

Recently, the rapid development of Solid-State LiDAR (SSL) enables low-cost and efficient obtainment of 3D point clouds from the environment, which has inspired a large quantity of studies and applications. However, the non-uniformity of its scanning pattern, and the inconsistency of the ranging error distribution bring challenges to its calibration task. In this paper, we proposed a fully automatic calibration method for the non-repetitive scanning SSL and camera systems. First, a temporal-spatial-based geometric feature refinement method is presented, to extract effective features from SSL point clouds; then, the 3D corners of the calibration target (a printed checkerboard) are estimated with the reflectance distribution of points. Based on the above, a target-based extrinsic calibration method is finally proposed. We evaluate the proposed method on different types of LiDAR and camera sensor combinations in real conditions, and achieve accuracy and robustness calibration results. The code is available at https://github.com/HViktorTsoi/ACSC.git .

研究の動機と目的

• SSL-カメラ系の外部校正における非均一なスキャンパターンと非均一な距離誤差の課題に対処する。
• 印刷されたチェッカーボードを用いた完全自動のターゲットベース校正ワークフローを開発する。
• 時間領域統合と反射率分布を活用して、SSL点群から3Dコーナーを堅牢に推定する。
• 3Dコーナー推定を2D画像コーナーと統合して外部パラメータを解く。
• 実世界条件下で複数のSSLモデルとカメラモデルに対する堅牢性と精度を評価する。

提案手法

• フレーム単位のアウトライアを除去しつつ、時間領域統合によりSSL点群を密度化する。
• 反復RANSACによる平面フィットを含む特徴量の洗練と、理想的な平面への再投影による軸方向の距離ノイズ補正を行う。
• 反射率分布を類似度尺度として用い、SSL由来のチェッカーボード点を標準モデルに整列させて、回転と並進を解く非線形最適化（L-BFGS）による3Dコーナー推定。
• カメラ画像から標準のチェッカーボード検出を用いて2Dコーナー検出。
• 反復的外部パラメータ解法：RANSAC による初期のPnP、再投影誤差に基づくアウトライヤ排除を行い、誤差が閾値を下回るまで反復。
• 正規化再投影誤差（NRE）を用いた外部校正精度の評価と投影結果の可視化。

実験結果

リサーチクエスチョン

• RQ1 手動介入なしに非繰り返しSSL走査を用いた自動SSL-カメラ外部校正を信頼性高く達成できるか？
• RQ2 時間領域データ融合は校正のためのSSL点群からの特徴抽出をどう改善できるか？
• RQ3 従来法と比較して、反射率ベースの3Dコーナー推定は3D-2Dコーナー対応を改善するか？
• RQ4 異なるSSLモデルとカメラ設定でのACSCの比較精度は？
• RQ5 再投影精度に最も影響を与える要因は何か（センサー配置、フレーム統合、ターゲット姿勢）？

主な発見

手法	AVG	NRE<pe=0.5	NRE<pe=1	NRE<pe=5	NRE<pe=10
MI [18]	9.77	1.89	3.93	39.34	60.15
ILCC [15]	4.76	5.64	10.60	59.40	90.60
HUANG [12]	7.73	4.54	9.41	39.33	70.59
Ours	2.11	69.33	75.41	87.16	92.75

• ACSCはLivox Horizon、Mid-40、Mid-100などの複数のSSLモデルとカメラペアに対して高精度な外部校正を達成する。
• 時間領域統合と特徴量洗練により、非繰り返しSSL走査から密度が高くノイズが低減されたチェッカーボード測定が得られる。
• 反射率分布ベースの3Dコーナー推定は堅牢なコーナー抽出と標準チェッカーボードモデルへの正確な整合を可能にする。
• 定量的な結果は、従来法と比較して平均再投影性能が優れており（AVGが低い）、選択した閾値以下の再投影誤差を示すコーナーの割合が高いことを示す。
• ターゲット配置数を増やし統合を長くすることで、校正の堅牢性と精度が向上する。