[论文解读] 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 5

一句话总结

本文提出了一种基于图优化的异构多传感器系统外参标定方法，利用成对标定结果作为初始估计，并通过超图框架实现全局优化。该方法显著降低了标定误差，在12传感器测绘机器人平台的仿真与真实数据上均表现出更高的精度。

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.

研究动机与目标

• 解决在机器人平台上多个异构传感器（摄像头、3D 激光雷达）之间成对外参标定结果不一致的问题。
• 开发一种全局优化框架，利用传感器关系的超图表示来优化相对位姿。
• 通过利用所有传感器对之间的一致性，将标定精度提升至超过单个成对标定的水平。
• 通过实现精确的多传感器对齐，为3D SLAM和机器人制图等应用提供准确的传感器融合。

提出的方法

• 构建一个包含12个顶点（传感器）和59条边（成对传感器变换）的超图，表示来自初始标定的已知相对位姿。
• 使用李代数建模传感器间变换，通过变换差值的对数映射定义误差：$ e_{ij} = \ln(T_{ij}^{-1} T_i^{-1} T_j)^\vee $。
• 使用G2O库在超图上执行非线性优化，以最小化全局误差 $ E_{global} = \frac{1}{N_E} \sum_{i=1}^{N_E} e_i^2 $。
• 使用自助法（Jackknife）重抽样方法估计超边的协方差矩阵，以在优化过程中加权不确定性。
• 将该方法应用于12传感器机器人平台的真实数据，包括9个摄像头、2个3D激光雷达以及一个OptiTrack跟踪系统作为真值参考。
• 通过融合激光雷达点云与摄像头图像，并评估融合输出中的几何一致性来验证结果。

实验结果

研究问题

• RQ1 全局图优化框架能否有效减少异构传感器之间成对外参标定结果的不一致性？
• RQ2 与单个成对标定相比，所提出的方法在标定精度上提升了多少？
• RQ3 基于自助法的协方差估计在多大程度上增强了优化的鲁棒性？
• RQ4 该方法能否在具有复杂传感器配置的真实机器人平台上实现一致且精确的多传感器对齐？

主要发现

• 全局优化将平均标定误差从0.0149 m降低至0.0126 m，显著提升了平移精度。
• 仿真实验表明，优化后变换误差的方差低于初始成对估计中添加的噪声水平。
• 融合了彩色数据的3D点云（图6）表现出一致的对齐效果，色块校准板被清晰呈现，且误匹配极少。
• 该方法成功使用统一框架标定了36对摄像头（包括4对立体摄像头和32对非重叠摄像头）以及13对激光雷达-摄像头。
• 利用OptiTrack系统实现了高精度真值验证，证实了优化后标定结果的可靠性。
• 该方法具有可扩展性，未来工作计划将IMU、2D激光雷达以及机器人的运动基座纳入超图中。