A Spatial Calibration Method for Robust Cooperative Perception

要約

正確な姿勢情報と相対的な姿勢変換が利用できる場合、協調知覚は、V2X (Vehicle-to-Everything) 協調によるインテリジェントなコネクテッド車両にとって有望な技術です。
それにもかかわらず、正確な位置情報を取得するには、ナビゲーション システムに関連する高額なコストがかかることがよくあります。
{したがって、マルチエージェントの協力的な知覚には相対的な姿勢情報を調整する必要があります。} この論文では、エージェント内の幾何学的なデータを使用してエージェント間のオブジェクトの対応を識別する、コンテキストベースのマッチング (CBM) と呼ばれる、シンプルだが効果的なオブジェクト関連付けアプローチを提案します。
コンテクスト。
詳細には、この方法は、検出された境界ボックスの相対位置を使用してコンテキストを構築し、続いてローカル コンテキスト マッチングとグローバル コンセンサスの最大化を行います。
最適な相対姿勢変換は、一致した対応関係に基づいて推定され、その後、協調的な知覚融合が行われます。
シミュレートされたデータセットと現実世界のデータセットの両方で広範な実験が行われます。
エージェント間の位置特定エラーが大きくても、協力するエージェント間で高いオブジェクト関連付け精度とデシメートルレベルの相対姿勢校正精度が達成されます。

要約(オリジナル)

Cooperative perception is a promising technique for intelligent and connected vehicles through vehicle-to-everything (V2X) cooperation, provided that accurate pose information and relative pose transforms are available. Nevertheless, obtaining precise positioning information often entails high costs associated with navigation systems. {Hence, it is required to calibrate relative pose information for multi-agent cooperative perception.} This paper proposes a simple but effective object association approach named context-based matching (CBM), which identifies inter-agent object correspondences using intra-agent geometrical context. In detail, this method constructs contexts using the relative position of the detected bounding boxes, followed by local context matching and global consensus maximization. The optimal relative pose transform is estimated based on the matched correspondences, followed by cooperative perception fusion. Extensive experiments are conducted on both the simulated and real-world datasets. Even with larger inter-agent localization errors, high object association precision and decimeter-level relative pose calibration accuracy are achieved among the cooperating agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google