要約
視覚慣性システムは、主にコストと消費電力が低く、設置面積が小さく、可用性が高いため、過去 20 年間に広く研究され、応用されてきました。
このような傾向は同時に、センサー間の正確な時空間パラメータが視覚と慣性の融合の前提条件であるため、大量の視覚と慣性のキャリブレーション方法が提示されることにもつながります。
私たちの以前の研究、つまり iKalibr では、ワンショット マルチセンサーの復元力のある時空間キャリブレーションの一部として、連続時間ベースの視覚慣性キャリブレーション方法が提案されました。
人工的なターゲットを必要としないことはかなりの利便性をもたらしますが、初期化とバッチ最適化では計算コストのかかる姿勢推定が必要となり、その可用性が制限されます。
幸いなことに、これは、マッピングベースの姿勢推定の代わりにマッピングフリーの自己速度推定を採用することにより、深度情報が追加された RGBD で大幅に改善される可能性があります。
この論文では、iKalibr-RGBD と呼ばれる連続時間自我速度推定ベースの RGBD 慣性時空間キャリブレーションを紹介します。これもターゲットはありませんが、計算効率が高いです。
iKalibr-RGBD の一般的なパイプラインは iKalibr から継承されており、厳密な初期化手順といくつかの連続時間バッチ最適化で構成されています。
iKalibr-RGBD の実装は、研究コミュニティに利益をもたらすために (https://github.com/Unsigned-Long/iKalibr) でオープンソース化されています。
要約(オリジナル)
Visual-inertial systems have been widely studied and applied in the last two decades, mainly due to their low cost and power consumption, small footprint, and high availability. Such a trend simultaneously leads to a large amount of visual-inertial calibration methods being presented, as accurate spatiotemporal parameters between sensors are a prerequisite for visual-inertial fusion. In our previous work, i.e., iKalibr, a continuous-time-based visual-inertial calibration method was proposed as a part of one-shot multi-sensor resilient spatiotemporal calibration. While requiring no artificial target brings considerable convenience, computationally expensive pose estimation is demanded in initialization and batch optimization, limiting its availability. Fortunately, this could be vastly improved for the RGBDs with additional depth information, by employing mapping-free ego-velocity estimation instead of mapping-based pose estimation. In this paper, we present the continuous-time ego-velocity estimation-based RGBD-inertial spatiotemporal calibration, termed as iKalibr-RGBD, which is also targetless but computationally efficient. The general pipeline of iKalibr-RGBD is inherited from iKalibr, composed of a rigorous initialization procedure and several continuous-time batch optimizations. The implementation of iKalibr-RGBD is open-sourced at (https://github.com/Unsigned-Long/iKalibr) to benefit the research community.
arxiv情報
| 著者 | Shuolong Chen,Xingxing Li,Shengyu Li,Yuxuan Zhou |
| 発行日 | 2024-09-11 09:09:25+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google