適応ポイントライン融合：自律運転のスキーム選択を備えたターゲットレスのLidar-Cameraキャリブレーション方法

LIDARセンサーとカメラセンサーの間の正確なキャリブレーションは、自律的な駆動システムが環境を効果的に認識して理解するために重要です。通常、Lidar-Camera外因性キャリブレーションには、機能のアライメントと視野の重複フィールドが必要です。さまざまなモダリティから機能を調整することは、騒音の影響により困難な場合があります。したがって、このホワイトペーパーでは、非眼の視野を持つ単眼カメラとライダーセンサーのターゲットレスの外因性キャリブレーション方法を提案します。提案されたソリューションは、ポーズ変換を使用して、さまざまなモダリティにわたってデータ関連を確立します。この変換により、キャリブレーションの問題は、視覚的なスラムシステム内の最適化問題になり、ビューを重複させることはありません。パフォーマンスを向上させるために、ライン機能は視覚的なスラムの制約として機能します。ラインセグメントの正確な位置は、拡張された測光エラー最適化法を利用することにより取得されます。さらに、いくつかの代替最適化スキームの中から適切なキャリブレーション方法を選択するための戦略が提案されています。この適応キャリブレーション方法選択戦略により、照明と環境テクスチャの変化と環境テクスチャを備えた都市の自律運転シナリオでの堅牢なキャリブレーションパフォーマンスが保証され、単一のアプローチに依存することから生じる可能性のある過度のバイアスを避けます。

Accurate calibration between LiDAR and camera sensors is crucial for autonomous driving systems to perceive and understand the environment effectively. Typically, LiDAR-camera extrinsic calibration requires feature alignment and overlapping fields of view. Aligning features from different modalities can be challenging due to noise influence. Therefore, this paper proposes a targetless extrinsic calibration method for monocular cameras and LiDAR sensors that have a non-overlapping field of view. The proposed solution uses pose transformation to establish data association across different modalities. This conversion turns the calibration problem into an optimization problem within a visual SLAM system without requiring overlapping views. To improve performance, line features serve as constraints in visual SLAM. Accurate positions of line segments are obtained by utilizing an extended photometric error optimization method. Moreover, a strategy is proposed for selecting appropriate calibration methods from among several alternative optimization schemes. This adaptive calibration method selection strategy ensures robust calibration performance in urban autonomous driving scenarios with varying lighting and environmental textures while avoiding failures and excessive bias that may result from relying on a single approach.