Iterative Camera-LiDAR Extrinsic Optimization via Surrogate Diffusion

要約

カメラとライダーは、自動運転車に不可欠なセンサーです。
カメラとライダーデータの融合は、個々のセンサーの制限に対処しますが、正確な外因性キャリブレーションに依存しています。
最近、多数のエンドツーエンドのキャリブレーション方法が提案されています。
ただし、ほとんどは単一のステップで外因性パラメーターを予測し、反復的な最適化機能を欠いています。
より高い精度のための需要の増加に対処するために、代理拡散に基づいた多用途の反復フレームワークを提案します。
このフレームワークは、アーキテクチャの変更を必要とせずに、任意のキャリブレーション方法のパフォーマンスを向上させることができます。
具体的には、初期の外因性パラメーターは、除去プロセスを通じて反復的な改良を受けます。このプロセスでは、元のキャリブレーション方法は、各ステップで最終的な外交を推定する代理除去者として機能します。
比較分析のために、4つの最先端のキャリブレーション方法を代理除去者として選択し、拡散プロセスの結果を他の2つの反復アプローチの結果と比較しました。
広範な実験は、拡散モデルと統合された場合、すべてのキャリブレーション方法が、他の反復技術とそのシングルステップの対応物と比較して、より高い精度、堅牢性の向上、およびより大きな安定性を達成することを示しています。

要約(オリジナル)

Cameras and LiDAR are essential sensors for autonomous vehicles. The fusion of camera and LiDAR data addresses the limitations of individual sensors but relies on precise extrinsic calibration. Recently, numerous end-to-end calibration methods have been proposed; however, most predict extrinsic parameters in a single step and lack iterative optimization capabilities. To address the increasing demand for higher accuracy, we propose a versatile iterative framework based on surrogate diffusion. This framework can enhance the performance of any calibration method without requiring architectural modifications. Specifically, the initial extrinsic parameters undergo iterative refinement through a denoising process, in which the original calibration method serves as a surrogate denoiser to estimate the final extrinsics at each step. For comparative analysis, we selected four state-of-the-art calibration methods as surrogate denoisers and compared the results of our diffusion process with those of two other iterative approaches. Extensive experiments demonstrate that when integrated with our diffusion model, all calibration methods achieve higher accuracy, improved robustness, and greater stability compared to other iterative techniques and their single-step counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google