Unified Motion-Based Calibration of Mobile Multi-Sensor Platforms with Time Delay Estimation的标定方案

对于Unified
Motion-Based Calibration of Mobile Multi-Sensor Platforms with Time Delay
Estimation的标定方案分析总结

方案标定流程:

  1. 优化理论

需要优化的参数

XR是机器人平台内参,包括左右轮周长与轮式里程计编码器刻度之比kl与kr和两轮间距b。

Xs是各个带观测的传感器与轮式里程计之间的外参,dtN是各个传感器与轮式里程计的时延。

优化思想是首先利用其他传感器的数据来对机器人进行航迹推理得到机器人当前预估位姿(公式2),优化机器人预估位姿与实际位姿之间的差,来优化其他参数。

为此转化为一个最大近似然的问题来优化(公式3,4)。

迭代优化时需要deltax,其值应该最小化公式5

然后迭代的代价函数满足

H与b矩阵设置如下:

  1. 优化时具体设置

优化的残差应包含两个部分,一是其他传感器航迹推理轨迹与机器人实际位姿残差,二是其他传感器航迹推理轨迹间的残差。

其他传感器航迹推理轨迹与机器人实际位姿残差优化

得到其他传感器某时刻数据变化

利用轮式里程计内参和其他传感器数据航迹推理机器人位姿变化。

换算到机器人坐标系下并计算与机器人本体位姿残差。

对应雅克比:

其他传感器航迹推理轨迹间的残差

将第i与j个传感器计算公式9的数据做残差。

雅克比设置同上。

  1. 关于输入数据的筛选。

对传感器一段时间内输入数据以及优化参数计算公式16的值如果小于一定阈值就抛弃这段轨迹的传感器数据加入优化。

  1. 方案评估

优点:有开源代码,有时延标定,有轮式里程计内参标定,会考虑筛选参与标定的数据。

缺点:主要是来标定轮式里程计与带观测的传感器之间外参(相机与激光),需要初值优化,不能得到封闭解。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
结合多传感设备以实现高级的感知能力是自动驾驶汽车导航的关键要求。传感器融合用于获取有关周围环境的丰富信息。摄像头和激光雷达传感器的融合可获取精确的范围信息,该信息可以投影到可视图像数据上。这样可以对场景有一个高层次的认识,可以用来启用基于上下文的算法,例如避免碰撞更好的导航。组合这些传感器时的主要挑战是将数据对齐到一个公共域中。由于照相机的内部校准中的误差,照相机与激光雷达之间的外部校准以及平台运动导致的误差,因此这可能很困难。在本文中,我们研究了为激光雷达传感器提供运动校正所需的算法。由于不可能完全消除由于激光雷达的测量值投影到同一里程计框架中而导致的误差,因此,在融合两个不同的传感器时,必须考虑该投影的不确定性。这项工作提出了一个新的框架,用于预测投影到移动平台图像帧(2D)中的激光雷达测量值(3D)的不确定性。所提出的方法将运动校正的不确定性与外部和内部校准中的误差所导致的不确定性相融合。通过合并投影误差的主要成分,可以更好地表示估计过程的不确定性。我们的运动校正算法和提出的扩展不确定性模型的实验结果通过在电动汽车上收集的真实数据进行了演示,该电动汽车配备了可覆盖180度视野的广角摄像头和16线扫描激光雷达。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值