[论文解读] 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 7

一句话总结

本文提出了一种新颖的、完全自动化的3D测距仪与相机之间的外部校准方法，无需辅助物体或人工干预。该方法首先通过传感器运动估计初始外部参数，然后利用图像与点云之间的线特征匹配，通过鲁棒加权最小二乘优化进行精炼，仿真中实现了亚厘米级和亚度级的精度。

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.

研究动机与目标

• 消除在3D测距仪与相机外部校准中对检查棋盘等辅助校准物体的需求。
• 消除多传感器校准中人工选择特征对应关系的干预。
• 实现在真实机器人和自主系统中的在线、即插即用校准。
• 仅通过运动和线特征匹配实现高精度外部校准。
• 解决稀疏点云与密集图像之间匹配的挑战，通过鲁棒特征关联实现。

提出的方法

• 初始外部参数通过系统运动期间3D测距仪与相机之间的相对运动估计得出。
• 从相机图像中提取2D图像线，从点云中使用基于RANSAC的平面和边缘检测提取3D线。
• 利用初始外部参数建立线特征对应关系，将3D线投影到图像平面，并与检测到的2D线匹配。
• 应用具有Huber损失的加权鲁棒最小二乘（RLS）优化以精炼外部参数，降低异常值的影响。
• 该方法使用凸惩罚函数，阈值M=3，以减少异常值的影响，同时保持对内点的精度。
• 该算法在V-REP仿真环境中进行了验证，使用真实运动和传感器数据作为真值。

实验结果

研究问题

• RQ1 能否在无需辅助校准物体的情况下实现3D测距仪与相机之间的外部校准？
• RQ2 能否在无需人工干预的情况下自动建立稀疏点云与密集图像之间的特征对应关系？
• RQ3 能否仅通过相对运动和线特征匹配实现高精度校准？
• RQ4 该校准方法在噪声或异常值较多的条件下有多强的鲁棒性？
• RQ5 与最先进方法相比，该方法在平移和旋转误差方面的性能如何？

主要发现

• 经过滤波和精炼后，该方法的旋转误差仅为0.0034度，而初始未滤波估计值为1.5680度。
• 平移误差降低至0.0115米（占真值的1.25%），显著优于初始估计值0.1589米（占真值的17.27%）。
• 与初始滤波步骤相比，该方法通过精炼步骤将平移误差降低了90%。
• 该方法在旋转和平移方面均实现了亚厘米级和亚度级的精度，即使与使用辅助物体的最先进方法相比也表现更优。
• 该算法在非退化情况下成功避免了失败，并通过受控运动和传感器数据的仿真验证了其鲁棒性。
• 该方法支持在线运行，公开发布于 http://ram-lab.com/download，支持即插即用部署。