Abstract
我们提出了一个targetless和structureless的时空 相机-lidar 标定方法.
我们的方法结合了一个闭式解和modified structureless BA, 用了coarse-to-fine的方法, 且不需要一个在时空参数上的猜测.
因为3D特征(structure)是只从三角化计算而来, 不需要有一个标定目标, 或者是用2D特征和3D点云匹配.
1. Introduction
时间同步 经常被忽视, time lag / delay的影响都是很大的在手持中, 因为角速度一般都很高.
第一阶段: 提供了闭式解对于外参和大致的时间延迟.
第二阶段: 时空参数被refine, 通过structureless 持续时间的 SfM 模型.
2. Related Work
[1] 利用了投影3D线段到2D图在室内环境.
有很多使用互信息的. 互信息算力cost太大.
Temporal Calibration 比外参标定需要考虑不同步.
3. Overview
每个轨迹的时间戳通过检测sensory开始动先大致同步一下. 第二部就是减少3D-2D投影误差来refine.
4. Proposed Method
A. Continuous-Time Trajectory Representation
最简单的model 连续时间轨迹的办法就是线性插值 on the manifold. 给定两个pose \(T_i, T_j\) 在时间点 \(\tau_i, \tau_j\). 在时间\(\tau \in [\tau_i, \tau_j]\) 可以插值为:
这里 \([\boldsymbol{\xi}]_{\times}=\log \left(\mathbf{T}_{i}^{-1} \mathbf{T}_{j}\right)\), 然后插值的ratio是 \(\alpha = (\tau - \tau_i) / (\tau_j - \tau_i)\).
B. Coarse camera-LiDAR Extrinsic Parameter Estimation
利用每个传感器的移动来寻找粗略的外参, 有LiDAR odometry 和 视觉odometry.
在coarse的阶段, 我们假设两个轨迹是大致同步的.
给定update to scale的相机pose, 计算相对pose:
这里 \(\lambda > 0\) 是给单目尺度不确定的.
对于LiDAR来说, 相对pose是:
这样的话, 相对位姿约束就成了: 手眼标定 \(AX=XB\)
把旋转和平移分开结算:
旋转的解可以用aligning correspondenecs in the manifold. 让 \(\mathbf{R}_{L_{k}}=e^{\left[\mathbf{r}_{L}\right]}, \mathbf{R}_{C_{k}}=e^{\left[\mathbf{r}_{C}\right]_{\times}}\).
它的协方差是:
通过SVD, 旋转矩阵可以用分解协方差矩阵得到:
有了旋转之后, 平移和尺度因子可以用解线性方程得到:
注意至少需要3组匹配来找到唯一解. 而且有足够的roll, pitch, yaw移动也是重要的.
C. Refined Extrinsic and Time Lag Estimation
闭式解, 粗糙的外参估计减少了 algebraic distance 而不是 几何误差. 所以我们会用time lag 估计, 使用非线性优化来refine.
视觉特征 $ ^wp_j$ 的3D位置是用2D图像特征三角花得到的. 那么第 j 个特征的位置在第 i 个图像 \(^{I_i} p_j\) 和它的重投影误差就是:
这里 \(^CT_L := e^{[\xi]_\times}\) 是外参, \(\tau\) 表示LiDAR的时间延迟. \(\pi (.)\) 是相机投影函数.
我们找到最优参数 \(\mathbf{x}=\left(\boldsymbol{\xi}, \tau,^{w} \mathbf{p}\right)\) 最小化了下述对象函数:
这里 \(\Sigma_{ij}^{-1}\) 表示M-estimator的权重矩阵.
用了高斯牛顿:
增量是:
D. Structureless Optimization Update
为了估计的高效, 我们引入了structureless approach, 我们从状态估计中边缘化了3D点 \(^wp_j\).
这里 \(\delta x_c\) 是外参和时间延迟, \(\delta x_s\) 是3D点集, 要被边缘化的.
高斯消元:
5. Experiments
A. Experiment Setup
B. Closed-From Solution in the Coarse Stage
上图实验表示最统治的成分是相对位姿的motion, 但是在大于30°之后也不会提升了. 在大于15个samples之后也不会提升旋转参数估计的精度.
我们假设LiDAR移动distortion已经在里程计估计中被补偿了[2].
上表展示了同步误差如何影响.
C. Extrinsic and Time Lag Estimation in the Refinement Stage
....
6. Discussion
平移估计误差在短基线的时候还是相对高. 可以假设在平移估计里有0.5 到 4cm的误差.
在coarse和refinement阶段的外参估计比较还是体现了传统的 motion-based only 方法产生相对高的不确定性在旋转估计上. 这是因为即使是很小的旋转移动在refinement阶段会被放大, 通过投影到图像上, 所以在优化阶段旋转的观测性更好.
A. Limitation and Future works
还是有一些实际的限制.
**时间延迟估计: ** 当平台是静止的时候时间延迟是不可观的, 在静止的时候时延的不确定性就提升了.
Dedicated motion: 对于legged robot, 标定更加容易. 但是对于车辆来说就比较困难了.
7. Conclusion
没啥.