PseudoCal: Towards Initialisation-Free Deep Learning-Based Camera-LiDAR Self-Calibration

要約

カメラと LiDAR の外部キャリブレーションは、自動運転車や移動ロボットなどの自律システムにおけるマルチセンサー フュージョンにとって重要なタスクです。
従来の手法では、手動による介入や特定の環境が必要になることが多く、労力がかかり、エラーが発生しやすくなります。
既存の深層学習ベースの自己調整方法は、小さな再調整に焦点を当てており、依然として初期推定値に依存しているため、実用性が制限されています。
この論文では、疑似 LiDAR の概念を活用し、カメラの視野に制限するのではなく 3D 空間で直接動作することで、これらの制限を克服する新しい自己校正方法である PseudoCal を紹介します。
典型的な自動運転車やロボット工学のコンテキストと慣習において、PseudoCal は初期パラメータ推定値とはほぼ独立してワンショット キャリブレーションを実行でき、既存のアプローチでは解決できない極端なケースに対処します。

要約(オリジナル)

Camera-LiDAR extrinsic calibration is a critical task for multi-sensor fusion in autonomous systems, such as self-driving vehicles and mobile robots. Traditional techniques often require manual intervention or specific environments, making them labour-intensive and error-prone. Existing deep learning-based self-calibration methods focus on small realignments and still rely on initial estimates, limiting their practicality. In this paper, we present PseudoCal, a novel self-calibration method that overcomes these limitations by leveraging the pseudo-LiDAR concept and working directly in the 3D space instead of limiting itself to the camera field of view. In typical autonomous vehicle and robotics contexts and conventions, PseudoCal is able to perform one-shot calibration quasi-independently of initial parameter estimates, addressing extreme cases that remain unsolved by existing approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google