[論文レビュー] Extrinsic Calibration of 3D Range Finder and Camera without Auxiliary Object or Human Intervention

Qinghai Liao, Ming Liu+2 more|arXiv (Cornell University)|Mar 2, 2017

Robotics and Sensor-Based Localization参考文献 17被引用数 7

ひとこと要約

本論文は、補助的物体や人為的介入を必要としない、完全に自動化された3Dレンジファインダーとカメラの外部パラメータキャリブレーション手法を提案する。まず、センサの運動から初期外部パラメータを推定し、その後、画像と点群間のライン特徴の対応関係を用いてロバストな重み付き最小二乗最適化によりそれを精緻化することで、シミュレーションで1cm未塔および1度未塔の高精度を達成する。

ABSTRACT

Fusion of heterogeneous extroceptive sensors is the most effient and effective way to representing the environment precisely, as it overcomes various defects of each homogeneous sensor. The rigid transformation (aka. extrinsic parameters) of heterogeneous sensory systems should be available before precisely fusing the multisensor information. Researchers have proposed several approaches to estimating the extrinsic parameters. These approaches require either auxiliary objects, like chessboards, or extra help from human to select correspondences. In this paper, we proposed a novel extrinsic calibration approach for the extrinsic calibration of range and image sensors. As far as we know, it is the first automatic approach with no requirement of auxiliary objects or any human interventions. First, we estimate the initial extrinsic parameters from the individual motion of the range finder and the camera. Then we extract lines in the image and point-cloud pairs, to refine the line feature associations by the initial extrinsic parameters. At the end, we discussed the degenerate case which may lead to the algorithm failure and validate our approach by simulation. The results indicate high-precision extrinsic calibration results against the ground-truth.

研究の動機と目的

• 3Dレンジファインダーとカメラの外部パラメータキャリブレーションにおいて、チェッカーボードのような補助的キャリブレーションオブジェクトの必要性を排除すること。
• マルチセンサキャリブレーションにおける特徴対応選択のための人為的介入を排除すること。
• 実世界のロボットおよび自律システムにおけるオンライン、プラグアンドプレイ型キャリブレーションを可能にすること。
• 相対運動とライン特徴対応関係のみを用いて高精度な外部パラメータキャリブレーションを達成すること。
• 疎な点群と密度の高い画像の間のマッチングという課題に、ロバストな特徴対応を用いて対処すること。

提案手法

• 3Dレンジファインダーとカメラの相対運動を用いて、初期外部パラメータを推定する。
• 2次元画像のラインはカメラ画像から抽出され、3次元ラインはRANSACベースの平面およびエッジ検出を用いて点群から抽出される。
• 初期外部パラメータを用いて3次元ラインを画像平面に投影し、検出された2次元ラインと対応づけることで、ライン特徴の対応関係を確立する。
• ハッブル損失関数を用いた重み付きロバスト最小二乗（RLS）最適化を適用し、外れ値の影響を低減する。
• 外れ値の影響を低減しつつ、インライヤーの精度を保持するため、閾値M=3の凸ペナルティ関数を用いる。
• アルゴリズムは、真値の運動およびセンサデータが与えられるV-REPシミュレーション環境で検証された。

実験結果

リサーチクエスチョン

• RQ1 3Dレンジファインダーとカメラ間の外部パラメータキャリブレーションを、補助的キャリブレーションオブジェクトを用いずに達成できるか？
• RQ2 疎な点群と密度の高い画像の間の特徴対応を、人為的入力なしに自動的に確立できるか？
• RQ3 相対運動とライン特徴マッチングのみを用いて高精度なキャリブレーションを達成できるか？
• RQ4 ノイズや外れ値の多い条件下でも、このキャリブレーション手法はどれほどロバストか？
• RQ5 最先端の手法と比較して、この手法のトランスレーションおよび回転誤差の性能はいかほどか？

主な発見

• フィルタリングおよび精緻化後、回転誤差はわずか0.0034度にまで低下したのに対し、初期のフィルタリングなし推定値は1.5680度であった。
• トランスレーション誤差は0.0115メートル（真値に対する1.25%比）にまで低減され、初期推定値の0.1589メートル（17.27%比）を著しく上回った。
• 提案手法による精緻化ステップは、初期フィルタリングステップと比較して、トランスレーション誤差を90%低減した。
• 本手法は、回転およびトランスレーションの両面で1cm未塔および1度未塔の高精度を達成し、補助的オブジェクトを用いる最先端手法即ちそれを上回った。
• アルゴリズムは非退化状況においても失敗を回避し、制御された運動およびセンサデータを用いたシミュレーションを通じて、ロバスト性を示した。
• 本手法はオンラインで利用可能であり、http://ram-lab.com/download にて公開されており、プラグアンドプレイのデプロイメントをサポートしている。