Automatic Surround Camera Calibration Method in Road Scene for Self-driving Car

要約

自動運転技術の発展に伴い、センサーのキャリブレーションは、正確な知覚融合と位置特定を実現するための重要な技術となっています。
センサーを正確にキャリブレーションすることで、各センサーが適切に機能し、正確な情報集約が実現できるようになります。
中でもサラウンドビューに基づくカメラキャリブレーションは大きな注目を集めています。
自動運転アプリケーションでは、カメラのキャリブレーション精度が知覚と奥行き推定の精度に直接影響を与える可能性があります。
サラウンドビュー カメラのオンライン キャリブレーションの場合、初期の外部パラメータ誤差が大きい場合、従来の特徴抽出ベースの方法では大きな歪みが発生し、これらの方法の堅牢性が低く不正確になります。
より多くの既存の方法では、スパース直接法を使用してマルチカメラをキャリブレーションします。これは精度とリアルタイム パフォーマンスの両方を保証でき、理論的には達成可能です。
ただし、この方法ではより適切な初期値が必要であり、大きな誤差を伴う初期推定値は局所最適値にとらわれてしまうことがよくあります。
この目的を達成するために、道路シーンにおける堅牢な自動マルチカメラ (ピンホール カメラまたは魚眼カメラ) キャリブレーションおよび調整方法を導入します。
粗いから細かいランダム探索戦略を利用すると、初期の外部パラメーターの大きな乱れを解決でき、非線形最適化手法で最適な局所値に陥ることを補うことができます。
最終的に、実際の環境およびシミュレートされた環境で定量的および定性的な実験が実行され、その結果は、提案された方法が精度とロバスト性のパフォーマンスを達成できることを示しています。
オープンソース コードは https://github.com/OpenCalib/SurroundCameraCalib で入手できます。

要約(オリジナル)

With the development of autonomous driving technology, sensor calibration has become a key technology to achieve accurate perception fusion and localization. Accurate calibration of the sensors ensures that each sensor can function properly and accurate information aggregation can be achieved. Among them, camera calibration based on surround view has received extensive attention. In autonomous driving applications, the calibration accuracy of the camera can directly affect the accuracy of perception and depth estimation. For online calibration of surround-view cameras, traditional feature extraction-based methods will suffer from strong distortion when the initial extrinsic parameters error is large, making these methods less robust and inaccurate. More existing methods use the sparse direct method to calibrate multi-cameras, which can ensure both accuracy and real-time performance and is theoretically achievable. However, this method requires a better initial value, and the initial estimate with a large error is often stuck in a local optimum. To this end, we introduce a robust automatic multi-cameras (pinhole or fisheye cameras) calibration and refinement method in the road scene. We utilize the coarse-to-fine random-search strategy, and it can solve large disturbances of initial extrinsic parameters, which can make up for falling into optimal local value in nonlinear optimization methods. In the end, quantitative and qualitative experiments are conducted in actual and simulated environments, and the result shows the proposed method can achieve accuracy and robustness performance. The open-source code is available at https://github.com/OpenCalib/SurroundCameraCalib.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google