GMMCalib: Extrinsic Calibration of LiDAR Sensors using GMM-based Joint Registration

要約

最先端の LiDAR キャリブレーション フレームワークは、主に、反復最近接点 (ICP) やそのバリアントなどの非確率的登録方法を使用します。
これらの方法は、ペアごとの登録手順、および初期化とパラメータ化に対する感度が原因で、偏った結果が発生します。
これにより、多くの場合、キャリブレーション プロセスでの位置ずれが発生します。
確率的登録方法は、観測値の確率的性質を具体的にモデル化することで、これらの欠点を補います。
このペーパーでは、マルチ LiDAR システム向けの自動ターゲットベースの外部キャリブレーション アプローチである GMMCalib について説明します。
複数の点群の共同登録を可能にするガウス混合モデル (GMM) ベースの登録方法の実装を使用して、このデータ駆動型アプローチを ICP アルゴリズムと比較します。
研究車両 EDGAR のデジタルツインを使用してシミュレーション実験を実行し、その結果を現実の環境で検証します。
また、外部センサーの校正のための局所的な位置合わせ方法の極小値の問題にも対処し、距離ベースの測定基準を使用して校正結果を評価します。
私たちの結果は、GMM ベースの登録アルゴリズムを使用することで、センサーの誤った校正に対する堅牢性の向上が達成できることを示しています。
コードはオープンソースであり、GitHub で入手できます。

要約(オリジナル)

State-of-the-art LiDAR calibration frameworks mainly use non-probabilistic registration methods such as Iterative Closest Point (ICP) and its variants. These methods suffer from biased results due to their pair-wise registration procedure as well as their sensitivity to initialization and parameterization. This often leads to misalignments in the calibration process. Probabilistic registration methods compensate for these drawbacks by specifically modeling the probabilistic nature of the observations. This paper presents GMMCalib, an automatic target-based extrinsic calibration approach for multi-LiDAR systems. Using an implementation of a Gaussian Mixture Model (GMM)-based registration method that allows joint registration of multiple point clouds, this data-driven approach is compared to ICP algorithms. We perform simulation experiments using the digital twin of the EDGAR research vehicle and validate the results in a real-world environment. We also address the local minima problem of local registration methods for extrinsic sensor calibration and use a distance-based metric to evaluate the calibration results. Our results show that an increase in robustness against sensor miscalibrations can be achieved by using GMM-based registration algorithms. The code is open source and available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google