所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值,而无需校准目标、地面真实训练数据和昂贵的离线优化。
Jun, 2023
自动驾驶车辆和机器人需要在各种不同的场景中高效而安全地完成任务。本研究介绍了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法,其利用单目深度估计器和姿态估计器结合速度监督对外参进行估计,并联合学习附加在移动车辆上的一组重叠相机的外参标定。实验结果表明,与传统的基于视觉的姿态估计流水线相比,我们的方法能够在各种场景中稳健且高效地实现自我标定,并展示了通过联合优化改进深度估计的外参自校准的优势。
Aug, 2023
通过深入探讨矫正单应性概念,我们提出了一种新的多景深摄像机在线自校准算法,并引入了一种全局最优外参估计的简单而有效的解决方案,并且提出了四个新的评估指标来度量外参估计的鲁棒性和准确性,在室内外环境使用不同实验设置进行的广泛实验证明了我们提出的算法的有效性,并在与基准算法的比较中展示了其卓越性能。
Sep, 2023
在这篇论文中,我们提出了一种新的方法来解决激光雷达 - 相机外部参数标定问题,通过基于一致性学习的隐式重新标定,通过引入外观一致性损失和几何一致性损失来实现激光雷达和相机之间的一致性,进而提高对各种场景的适应性,并在推理过程中实现简单高效的表达,通过全面实验验证了我们的方法的准确性和鲁棒性,为进一步推动该领域的研究与开发,我们将发布我们的模型和代码。
Dec, 2023
无需训练数据、人工设计特征或离线优化的无目标外参校准算法,能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中,利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。
Nov, 2023
提出了一种从单幅图像中估计完整的标定参数集的方法,通过数字图像相关获得图像点和标定目标上物理点之间的对应关系,同时在先前评估了主点之后分别计算出有效焦距和外部参数,最终获得整个图像上密集均匀的无模型畸变图。
Mar, 2024
本篇论文提出了一种新颖的方法,通过检测消失点和地平线变化来预测摄像机的外部参数,从而解决了自动驾驶中相机外参引起的目标检测精度波动问题,并在 KITTI 3D 和 nuScenes 数据集上取得最好的性能表现。
Jun, 2021
本研究提供了两种新方法来估计相机和全局姿态传感器之间的准确可靠的时空校准参数。第一种是高精度和一致性的离线基于目标的方法,通过同时优化时空参数、摄像机内参和轨迹。第二种是无需标定目标的在线方法,实现了估计时空参数的时变性,并进行了详细的可观测性分析,从而为校准提供了可解释的指导原则。最后,通过手持实际数据集的评估,验证了两种方法的准确性和一致性,这些数据集在传统手眼校准方法中无法工作。
PseudoCal 是一种基于伪激光雷达概念的新型自校准方法,在自动驾驶车辆和移动机器人的上下文和约定中,能够独立于初始参数估计一次性完成校准,并解决现有方法无法解决的极端情况。
提出了立体直接稀疏测距(Stereo DSO)作为一种新的方法,用于从立体相机中高精度实时估计大型环境的视觉测距,尤其是通过采样图像区域中具有足够强度梯度的像素实现实时优化和固定基线三维重建。
Aug, 2017