Optimal camera-robot pose estimation in linear time from points and lines

要約

カメラの姿勢推定はロボット工学における基本的な問題です。
この文書では、2 つの興味深い問題に焦点を当てます。まず、点と線の特徴には相補的な利点があり、それらを効果的に融合できる統一アルゴリズムを設計することは非常に価値があります。
第 2 に、最新のフロントエンド技術の発展により、単一の画像内に多数の特徴が存在できるため、高精度のロボットの姿勢推定が可能になる可能性があります。
これらの観察に基づいて、点と線からの最適な線形時間カメラロボット姿勢推定アルゴリズムである AOPnP(L) を提案します。
具体的には、2 つの異なる点を含む線を表し、画像内の 2D 点にノイズが追加される点と線の測定用のノイズ モデルを統合します。
ラインのパラメータ化にプラッカー座標を利用することにより、点とラインの組み合わせ測定に対する最尤度 (ML) 問題を定式化します。
ML 問題を最適に解決するために、AOPnP(L) は 2 段階の推定スキームを採用しています。
最初のステップでは、バイアスを除去することによって、真の姿勢に収束できる一貫した推定が考案されます。
2 番目のステップでは、単一のガウス-ニュートン反復が実行されて、初期推定値が調整されます。
AOPnP(L) は、平均二乗誤差が Cramer-Rao 下限に収束するという意味で理論的な最適性を備えています。
さらに、線形時間計算量を持っています。
これらの特性により、精度が要求されるリアルタイムのロボットの姿勢推定に適しています。
理論的開発を検証し、静的位置特定システムと動的オドメトリ システムの両方における AOPnP(L) の優位性を実証するために、広範な実験が行われています。

要約(オリジナル)

Camera pose estimation is a fundamental problem in robotics. This paper focuses on two issues of interest: First, point and line features have complementary advantages, and it is of great value to design a uniform algorithm that can fuse them effectively; Second, with the development of modern front-end techniques, a large number of features can exist in a single image, which presents a potential for highly accurate robot pose estimation. With these observations, we propose AOPnP(L), an optimal linear-time camera-robot pose estimation algorithm from points and lines. Specifically, we represent a line with two distinct points on it and unify the noise model for point and line measurements where noises are added to 2D points in the image. By utilizing Plucker coordinates for line parameterization, we formulate a maximum likelihood (ML) problem for combined point and line measurements. To optimally solve the ML problem, AOPnP(L) adopts a two-step estimation scheme. In the first step, a consistent estimate that can converge to the true pose is devised by virtue of bias elimination. In the second step, a single Gauss-Newton iteration is executed to refine the initial estimate. AOPnP(L) features theoretical optimality in the sense that its mean squared error converges to the Cramer-Rao lower bound. Moreover, it owns a linear time complexity. These properties make it well-suited for precision-demanding and real-time robot pose estimation. Extensive experiments are conducted to validate our theoretical developments and demonstrate the superiority of AOPnP(L) in both static localization and dynamic odometry systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google