[論文レビュー] Spatio-Temporal Multisensor Calibration Based on Gaussian Processes Moving Object Tracking

Juraj Peršić, Luka Petrović+2 more|arXiv (Cornell University)|Apr 8, 2019

Gaussian Processes and Bayesian Inference参考文献 29被引用数 10

ひとこと要約

本論文は、移動物体のガウス過程（GP）推定軌道を用いて、時刻遅れと外部パラメータを同時に推定する空間的・時間的マルチセンサキャリブレーション手法を提案する。座標フレームに依存しない速度大きさを用いた時刻遅れ推定と、その後の3次元点対応の整列により、サンプリング間隔の±3%以内の精度（サブ・サンプリング・インターバル精度）を達成し、回転方向で0.1°未満、並進方向で3 mm未塔の外部キャリブレーション精度を実現した。シミュレーションおよびカメラとモーションキャプチャシステムを用いた実世界実験で検証された。

ABSTRACT

Perception is one of the key abilities of autonomous mobile robotic systems, which often relies on fusion of heterogeneous sensors. Although this heterogeneity presents a challenge for sensor calibration, it is also the main prospect for reliability and robustness of autonomous systems. In this paper, we propose a method for multisensor calibration based on Gaussian processes (GPs) estimated moving object trajectories, resulting with temporal and extrinsic parameters. The appealing properties of the proposed temporal calibration method are: coordinate frame invariance, thus avoiding prior extrinsic calibration, theoretically grounded batch state estimation and interpolation using GPs, computational efficiency with O(n) complexity, leveraging data already available in autonomous robot platforms, and the end result enabling 3D point-to-point extrinsic multisensor calibration. The proposed method is validated both in simulations and real-world experiments. For real-world experiment we evaluated the method on two multisensor systems: an externally triggered stereo camera, thus having temporal ground truth readily available, and a heterogeneous combination of a camera and motion capture system. The results show that the estimated time delays are accurate up to a fraction of the fastest sensor sampling time.

研究の動機と目的

• 異種マルチセンサシステムのキャリブレーションを、事前の外部キャリブレーションを必要とせずに自律ロボットで実現すること。
• 座標フレーム変換に対して不変な速度大きさ軌道のみを用いて、正確な時間遅れキャリブレーションを可能とすること。
• GPベースの軌道補間と対応関係マッチングを用いて、時刻遅れと外部パララメータを同時に推定すること。
• 外部トリガー付きカメラやカメラ–モーションキャプチャシステムを含む多様なセンサ構成を用いた、シミュレーションおよび実世界環境での検証を実施すること。
• リアルタイムまたはニアリアルタイム応用に適したO(n)の計算複雑性を有するスケーラビリティと計算効率を示すこと。

提案手法

• 本手法は、非同期的かつノイズの多いセンサ測定値から、ガウス過程回帰を用いて連続時間軌道をモデル化する。
• 各センサからのGP推定軌道から速度大きさプロファイルを抽出し、座標フレームに依存しない時刻遅れ推定を可能にする。
• 滑らかさの事前分布を用いたバッチ最適化フレームワークを用いて、速度大きさ軌道の整列により時刻遅れを推定する。
• 時刻遅れ推定後、整列したタイムスタンプで軌道を補間して3次元点対応を生成し、外部パラメータ（回転と並進）を推定する。
• 追加のキャリブレーションハードウェアやターゲットを必要とせず、自律システムの既存センサデータを活用する。
• 最適化にはCeresソルバを用い、GPが生成する対応関係に基づく初期化を実施し、約6回の反復で収束する。

実験結果

リサーチクエスチョン

• RQ1 座標フレーム変換に対して不変な速度大きさ軌道のみを用いて、事前の外部キャリブレーションなしに時刻遅れ推定が可能か？
• RQ2 非同期的かつノイズの多いセンサデータの下で、GPベースの連続時間軌道モデルを用いた場合、時刻遅れの推定精度はどの程度か？
• RQ3 本手法は、最新の手法と比較して、時間的および外部キャリブレーション精度の面でどの程度向上を達成するか？
• RQ4 本手法の計算効率とスケーラビリティは、自律システムにおけるリアルタイム応用に適しているか？
• RQ5 本手法は、カメラとモーションキャプチャシステムのような多様なセンサ組み合わせに、特別なハードウェアやターゲットを必要とせずに適用可能か？

主な発見

• シミュレーションでは、時刻遅れ推定の平均誤差が-1.06×10⁻⁵ s、標準偏差が7.67×10⁻⁷ sであり、ミリ秒未満の精度を示した。
• 外部トリガー付きステレオカメラを用いた実世界実験では、推定された時刻遅れが、最も速いセンサのサンプリング間隔の数分の1の範囲内であった。
• カメラ–モーションキャプチャシステムの設定では、最大0.065°の回転偏差と平均からの3 mmの並進誤差を示し、時刻遅れと外部パラメータの両方を成功裏に推定した。
• シミュレーション結果では、推定された外部パラメータのオイラー角で最大0.1°、並進方向で3 mmの偏差を示した。
• 全キャリブレーション時間は、1分間の軌道データあたり平均94 msであり、GP回帰が49 ms、最適化が45 msを占めており、O(n)のスケーラビリティを示した。
• 本手法は、2つの最新の手法よりも時間的および外部キャリブレーション精度で優れており、そのロバスト性と信頼性を確認した。