[论文解读] 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 10

一句话总结

本文提出了一种基于移动物体轨迹的高斯过程（GP）估计的时空多传感器标定方法，用于联合估计时间延迟和外部参数。通过利用坐标系不变的速度幅值进行时间延迟估计，并随后进行三维点对应对齐，该方法实现了亚采样周期精度（采样间隔的±3%以内）的时间延迟估计，以及外参标定误差小于0.1°（角度）和3 mm（平移），在仿真和真实世界实验中均得到验证，实验对象包括相机和动作捕捉系统。

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.

研究动机与目标

• 为解决在无需预先外参标定的情况下，对自动驾驶机器人中异构多传感器系统进行标定的挑战。
• 仅使用速度幅值轨迹实现精确的时间标定，该轨迹对坐标系变换具有不变性。
• 通过基于高斯过程的轨迹插值和对应匹配，实现时间延迟与外参参数的联合估计。
• 在包含外部触发相机和相机-动作捕捉系统等多种传感器配置的仿真和真实世界环境中验证该方法。
• 展示方法在实时或准实时应用中的可扩展性和计算效率，时间复杂度为O(n)。

提出的方法

• 该方法使用高斯过程回归，从异步、噪声较大的移动物体传感器测量数据中建模连续时间轨迹。
• 从GP估计的轨迹中提取每个传感器的速度幅值曲线，以实现坐标系无关的时间延迟估计。
• 通过带有平滑性先验的批量优化框架，对齐速度幅值轨迹以估计时间延迟。
• 时间延迟估计完成后，通过在对齐的时间戳上插值轨迹，生成三维点对应关系，以估计外参参数（旋转和平移）。
• 该方法利用自动驾驶系统中已有的传感器数据，无需额外的标定硬件或标定目标。
• 使用Ceres求解器进行优化，初始值基于GP生成的对应关系，通常在约6次迭代内收敛。

实验结果

研究问题

• RQ1 是否可以通过仅使用速度幅值轨迹，在无需预先外参标定的情况下实现时间延迟估计？
• RQ2 在存在异步、噪声传感器数据的情况下，基于GP的连续时间轨迹建模能否实现高精度的时间延迟估计？
• RQ3 与现有最先进方法相比，该方法在时间标定和外参标定精度方面有多大提升？
• RQ4 该方法在自动驾驶系统实时应用中的计算效率和可扩展性如何？
• RQ5 该方法是否可应用于多种传感器组合（如相机与动作捕捉系统），而无需专用硬件或标定目标？

主要发现

• 在仿真中，时间延迟估计的平均误差为-1.06×10⁻⁵ s，标准差为7.67×10⁻⁷ s，表明时间延迟估计精度达到亚毫秒级别。
• 在真实世界实验中，使用外部触发的双目相机，时间延迟估计结果精确到最快传感器采样间隔的几分之一。
• 在相机-动作捕捉系统设置中，该方法成功估计了时间延迟和外参参数，最大角度偏差为0.065°，平移误差为3 mm（相对于均值）。
• 仿真结果表明，估计的外参参数在欧拉角方向最大偏差为0.1°，平移方向偏差为3 mm。
• 总标定时间平均为每分钟轨迹数据94 ms，其中GP回归耗时49 ms，优化耗时45 ms，表明具有O(n)可扩展性。
• 该方法在时间标定和外参标定精度方面均优于两种最先进方法，验证了其鲁棒性和可靠性。