Accurate Measurement of 3D and 2D Circular Centers With Application to LiDAR-Camera Extrinsic Calibration

In der Welt der sehenden Maschinen ist Präzision alles. Damit ein Roboter einen Raum navigieren kann, ein selbstfahrendes Auto einen Fußgänger vermeidet oder eine Drohne sicher landet, muss er genau wissen, wo er sich im Verhältnis zu den Objekten um ihn herum befindet. Diese Aufgabe beruht oft auf zwei verschiedenen Arten von Augen: einer Kamera, die ein flaches, zweidimensionales Bild der Welt einfängt, und einem LiDAR-Sensor, der unsichtbare Laserstrahlen aussendet, um die dreidimensionale Form von Objekten im Raum abzubilden. Um diese beiden Sensoren als ein gemeinsames Team arbeiten zu lassen, müssen Ingenieure einen präzisen Ausrichtungsprozess durchführen, der als extrinsische Kalibrierung bezeichnet wird. Dies ist der Akt, bei dem ermittelt wird, wie Kamera und LiDAR zueinander positioniert sind. Wenn diese Ausrichtung auch nur um einen winzigen Bruchteil falsch ist, wird das Verständnis des Roboters für die Welt verzerrt, was zu Fehlern bei der Navigation oder Messung führt. Eine gängige Methode zur Durchführung dieser Ausrichtung ist die Verwendung eines einfachen, kreisförmigen Ziels, wie etwa einer lackierten Scheibe oder eines Metallrings, und die Aufforderung an beide Sensoren, dessen Zentrum zu finden. Die Herausforderung besteht jedoch darin, dass das Finden des wahren Zentrums eines Kreises überraschend schwierig ist, wenn die Daten verrauscht, unvollständig oder aus einem Winkel betrachtet werden.

Ein Forschungsteam hat sich genau diesem Problem gewidmet und sich auf die verborgenen Fehler konzentriert, die auftreten, wenn Kreiszentren im 3braum (3D) und in 2D-Bildern gemessen werden. In der Standardpraxis sammeln LiDAR-Sensoren beim Scannen eines kreisförmigen Objekts oft eine ungeordnete Punktwolke. Die traditionelle Methode zur Bestimmung des Zentrums dieser Form umfasst einen zweistufigen Prozess: Zuerst passt der Computer eine flache Ebene durch die verstreuten Punkte an, und anschließend projiziert er diese Punkte auf diese Ebene, um einen einfachen 2D-Kreis einzupassen. Die Forscher fanden heraus, dass dieser schrittweise Ansatz eine systematische Verzerrung (Bias) einführt, was bedeutet, dass das berechnete Zentrum konsistent vom wahren Zentrum verschoben ist, insbesondere wenn die Daten spärlich sind oder der Kreis nur teilweise sichtbar ist. Ähnlich verhält es sich, wenn eine Kamera einen 3D-Kreis betrachtet; der Kreis erscheint im Bild selten als perfekter Kreis; die perspektivische Verzerrung verwandelt ihn meist in ein Oval oder eine Ellipse. Konventionelle Methoden gehen oft davon aus, dass das Zentrum dieses Ovals mit dem Zentrum des ursprünglichen 3D-Kreises identisch ist. Die Forscher zeigten, dass diese Annahme nicht korrekt ist; unter den meisten Betrachtungswinkeln ist das Zentrum des Ovals tatsächlich vom projizierten Zentrum des 3D-Kreises versetzt. Diese kleinen Fehler in den ursprünglichen Messungen summieren sich auf und führen dazu, dass die endgültige Ausrichtung zwischen Kamera und LiDAR weniger genau ist, als sie sein könnte.

Um dies zu lösen, entwickelten die Forscher einen neuen Ansatz, der die Messung des 3D-Kreises und des 2D-Bildes als ein einheitliches, geometrisches Problem behandelt, statt als eine Reihe separater Schritte. Für die 3D-Daten des LiDARs führten sie eine Methode ein, die einen spezialisierten mathematischen Rahmen nutzt, um den Kreis direkt in den Punkten im Raum einzupassen. Anstatt die Daten zuerst abzuflachen, findet diese Methode die am besten passende Kugel und Ebene gleichzeitig, wodurch Rauschen und Ausreißer, die traditionelle Berechnungen normalerweise stören, effektiv ignoriert werden. Diese Technik ist robust genug, um Situationen zu bewältigen, in denen der Sensor nur einen kleinen Bogen des Kreises sieht oder in denen die Daten durch zufällige Fehler verunreinigt sind. Für das 2D-Bild entwickelte das Team eine neue Art, das wahre Zentrum des projizierten Kreises zu lokalisieren. Sie erkannten, dass, wenn man Linien durch das wahre Zentrum der projizierten Form zieht, die Längen der dadurch auf dem Oval entstehenden Sehnen einem spezifischen, vorhersehbaren Muster folgen. Durch die Suche nach dem Punkt, an dem die Variation dieser Sehnenlängen minimiert wird, kann das System das wahre Zentrum punktgenau bestimmen und es so vom irreführenden Zentrum der Ovalform unterscheiden.

Ein erhebliches Hindernis bei dieser 2D-Messung besteht darin, dass die mathematische Suche nach dem wahren Zentrum oft zwei mögliche Antworten oder „lokale Minima“ liefert, und nicht sofort ersichtlich ist, welches davon korrekt ist. Die Forscher lösten diese Mehrdeutigkeit auf zwei Arten: Wenn das Kalibrierziel zwei Kreise enthält, die auf derselben flachen Ebene liegen, kann das System die geometrische Beziehung zwischen ihnen nutzen, um zu verifizieren, welches Zentrum das richtige ist. Wenn nur ein einzelner Kreis verfügbar ist, entwickelten sie eine Fallback-Strategie, die beide Möglichkeiten gegen die 3D-Daten testet, um zu sehen, welche eine konsistente Ausrichtung ergibt. Das Team testete diese Methoden mittels Computersimulationen, synthetischer Daten und realen Experimenten mit verschiedenen Sensoren, einschließlich Solid-State- und mechanischen LiDARs in Kombination mit unterschiedlichen Kameratypen. Die Ergebnisse zeigten, dass ihre neuen Methoden den Fehler bei der Messung der Kreiszentren signifikant reduzierten. In Simulationen reduzierte der neue Ansatz den Fehler in der endgültigen Ausrichtung zwischen Kamera und LiDAR von über einem Zentimeter auf weniger als einen Zentimeter und verbesserte zudem die Präzision des Rotationswinkels.

Die Studie bestätigt, dass die Genauigkeit der Wahrnehmung eines Roboters stark von der Qualität der geometrischen Primitiven abhängt, die er nutzt, um die Welt zu verstehen. Durch die Korrektur der systematischen Verzerrungen bei der Messung von Kreiszentren haben die Forscher eine zuverlässigere Grundlage für die Kalibrierung heterogener Sensorsysteme geschaffen. Ihre Arbeit bietet nicht nur eine theoretische Verbesserung, sondern stellt ein praktisches Werkzeug bereit, das über verschiedene Sensorkonfigurationen und reale Bedingungen hinweg – von der industriellen Fertigung bis zum autonomen Fahren – funktioniert. Die Forscher haben ihren Code öffentlich zugänglich gemacht, damit andere Ingenieure diese präziseren Messverfahren auf ihre eigenen Systeme anwenden können. Obwohl sich die Studie auf kreisförmige Ziele konzentrierte, legt das zugrunde liegende Prinzip – dass eine direkte, gemeinsame Optimierung geometrischer Messungen einer sequenziellen, entkoppelten Schrittfolge überlegen ist – den Weg für die Verbesserung der Genauigkeit vieler anderer Aufgaben der Sensorfusion. Die Ergebnisse unterstreichen, dass selbst die einfachsten geometrischen Formen eine anspruchsvolle Handhabung erfordern, wenn sie durch die unvollkommenen Linsen der realen Welt betrachtet werden.