Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Calibrage extrinsèque de caméra LiDAR en ligne basé sur l'environnement

Created by
  • Haebom

Auteur

Zhiwei Huang, Jiaqi Li, Ping Zhong, Rui Fan

Contour

Dans cet article, nous proposons une technique d'étalonnage en ligne basée sur l'environnement, EdO-LCEC, afin de surmonter les limites des méthodes d'étalonnage extrinsèque LiDAR-caméra (LCEC) existantes en conditions réelles. EdO-LCEC observe la densité des caractéristiques de l'environnement grâce à un identifiant de scène commun pour extraire les caractéristiques d'intensité et de profondeur LiDAR de différents points de vue et améliorer la précision de l'étalonnage. De plus, nous proposons une correspondance de correspondance à double chemin (DPCM) qui exploite la cohérence structurelle et texturale pour résoudre le problème de correspondance intermodale des caractéristiques entre LiDAR et caméras. Nous modélisons le processus d'étalonnage comme un problème d'optimisation conjointe qui exploite plusieurs points de vue et les contraintes globales de la scène pour améliorer la précision. Les résultats expérimentaux utilisant des jeux de données réels démontrent qu'EdO-LCEC surpasse les méthodes de pointe, en particulier pour les vues de capteurs clairsemées ou se chevauchant partiellement.

Takeaways, Limitations

Takeaways:
Permet l'étalonnage de la caméra LiDAR dans une variété d'environnements en exploitant les informations environnementales.
Surmonter les limites des méthodes existantes, telles que la dépendance à des cibles ou des scènes spécifiques.
Amélioration de la précision de la correspondance des fonctionnalités entre le LiDAR et la caméra à l'aide de DPCM.
Précision d'étalonnage améliorée grâce à une optimisation globale utilisant plusieurs vues et informations de scène.
Il fonctionne également bien sur les vues clairsemées ou partiellement superposées.
Limitations:
Manque d'analyse de la complexité de calcul et des performances de traitement en temps réel de la méthode proposée.
Une validation supplémentaire des performances de généralisation dans différents environnements et combinaisons de capteurs est nécessaire.
Il est nécessaire d’analyser l’impact de la précision de l’identifiant de scène sur les performances globales du système.
👍