MOISST: Multimodal Optimization of Implicit Scene for SpatioTemporal calibration

要約

最近の自動運転の進歩と LiDAR のコスト低下に伴い、マルチモーダル センサー システムの使用が増加しています。
ただし、さまざまな補完センサーから提供される情報を活用するには、センサーを正確に校正する必要があります。
私たちは、コンピューター グラフィックスと暗黙的ボリューム シーン表現の最近の進歩を利用して、マルチセンサーの空間的および時間的キャリブレーションの問題に取り組みます。
Neural Radiance Field (NeRF) 最適化の新しい定式化のおかげで、放射測定および幾何学的測定に基づいたシーン表現とともにキャリブレーション パラメーターを共同で最適化することができます。
当社の手法により、管理されていない非構造化都市環境で収集されたデータからの正確かつ堅牢な校正が可能になり、当社のソリューションは既存の校正ソリューションよりも拡張性が高くなります。
自動運転シナリオで一般的に遭遇する都市部のシーンで、私たちの方法の精度と堅牢性を実証します。

要約(オリジナル)

With the recent advances in autonomous driving and the decreasing cost of LiDARs, the use of multimodal sensor systems is on the rise. However, in order to make use of the information provided by a variety of complimentary sensors, it is necessary to accurately calibrate them. We take advantage of recent advances in computer graphics and implicit volumetric scene representation to tackle the problem of multi-sensor spatial and temporal calibration. Thanks to a new formulation of the Neural Radiance Field (NeRF) optimization, we are able to jointly optimize calibration parameters along with scene representation based on radiometric and geometric measurements. Our method enables accurate and robust calibration from data captured in uncontrolled and unstructured urban environments, making our solution more scalable than existing calibration solutions. We demonstrate the accuracy and robustness of our method in urban scenes typically encountered in autonomous driving scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google