[論文レビュー] Heterogeneous Multi-sensor Calibration based on Graph Optimization

Hongyu Chen, Sören Schwertfeger|arXiv (Cornell University)|May 27, 2019

Robotics and Sensor-Based Localization参考文献 25被引用数 5

ひとこと要約

本稿では、異種マルチセンサーシステムの外部パラメータキャリブレーションのためのグラフ最適化手法を提案する。ペアワイズキャリブレーション結果を初期推定値として用い、ハイパーグラフフレームワークを用いてグローバルに最適化することで、キャリブレーション誤差を顕著に低減した。合成データおよび12センサーマッピングロボットプラットフォームからの実データを用いた実験により、高い精度が実証された。

ABSTRACT

Many robotics and mapping systems contain multiple sensors to perceive the environment. Extrinsic parameter calibration, the identification of the position and rotation transform between the frames of the different sensors, is critical to fuse data from different sensors. When obtaining multiple camera to camera, lidar to camera and lidar to lidar calibration results, inconsistencies are likely. We propose a graph-based method to refine the relative poses of the different sensors. We demonstrate our approach using our mapping robot platform, which features twelve sensors that are to be calibrated. The experimental results confirm that the proposed algorithm yields great performance.

研究の動機と目的

• ロボットプラットフォーム上に配置された複数の異種センサ（カメラ、3Dライダー）間で生じるペアワイズ外部パラメータキャリブレーション結果の不整合を是正すること。
• センサ間関係をハイパーグラフ表現としてモデル化し、相対姿勢をグローバルに最適化するフレームワークの構築。
• すべてのセンサペア間の整合性を活用することで、個々のペアワイズキャリブレーションを上回るキャリブレーション精度の向上。
• 3D SLAM やロボットマッピングなどの応用において、正確なセンサ統合を可能にするため、多センサの高精度なアライメントを実現すること。

提案手法

• 12頂点（センサ）と59エッジ（ペアワイズセンサ変換）からなるハイパーグラフを構築し、初期キャリブレーションからの既知の相対姿勢を表現する。
• センサ間変換をリー代数を用いてモデル化し、変換差の対数写像を用いて誤差を定義する：$ e_{ij} = \ln(T_{ij}^{-1} T_i^{-1} T_j)^\vee $。
• G2Oライブラリを用いてハイパーグラフ上で非線形最適化を実行し、グローバル誤差 $ E_{global} = \frac{1}{N_E} \sum_{i=1}^{N_E} e_i^2 $ を最小化する。
• ジャックナイフリサンプリング法を用いてハイパーエッジの共分散行列を推定し、最適化プロセスにおける不確実性を重み付けする。
• 12センサーロボットプラットフォームからの実データに本手法を適用し、9台のカメラ、2台の3Dライダー、およびオプティトラック追跡システム（地面真値）を用いた。
• ライダー点群とカメラ画像を統合し、統合出力における幾何的一致性を評価することで、結果を検証する。

実験結果

リサーチクエスチョン

• RQ1 グローバルなグラフ最適化フレームワークは、異種センサ間のペアワイズ外部パラメータキャリブレーション結果の不整合を効果的に低減できるか？
• RQ2 提案手法は、個々のペアワイズキャリブレーションと比較して、どの程度キャリブレーション精度を向上させるか？
• RQ3 ジャックナイフベースの共分散推定が最適化のロバストネスをどの程度向上させるか？
• RQ4 複雑なセンサ構成を有する実世界のロボットプラットフォームにおいて、本手法は一貫性があり高精度なマルチセンサアライメントを達成できるか？

主な発見

• グローバル最適化により、平均キャリブレーション誤差は0.0149 mから0.0126 mに低下し、並進精度の明確な向上が確認された。
• 合成実験では、最適化後の変換誤差の分散が初期のペアワイズ推定値に追加されたノイズレベルを下回った。
• 色付きのチェッカーパattersを明確に再現し、誤認識が最小限に抑えられた、色付きの3D点群（図6）が一貫したアライメントを示した。
• 本手法は、4組のステレオペアおよび32組の非オーバーラップペアを含む36組のカメラペア、および13組のライダーからカメラへのペアを、統一フレームワークで正常にキャリブレーションした。
• オプティトラックシステムの導入により、高精度な地面真値の検証が可能となり、最適化後のキャリブレーション結果の信頼性が確認された。
• 本手法は拡張可能であり、今後の研究ではIMU、2Dライダー、およびロボットの運動ベースをハイパーグラフに統合する予定である。