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

Nel mondo delle macchine che vedono, la precisione è tutto. Affinché un robot possa navigare in una stanza, un'auto a guida autonoma possa evitare un pedone o un drone possa atterrare in sicurezza, deve sapere esattamente dove si trova rispetto agli oggetti circostanti. Questo compito si affida spesso a due diversi tipi di occhi: una telecamera, che cattura un'immagine piatta, bidimensionale, del mondo, e un sensore LiDAR, che scaglia fasci di laser invisibili per mappare la forma tridimensionale degli oggetti nello spazio. Per far sì che questi due sensori lavorino insieme come una squadra unica, gli ingegneri devono eseguire un delicato processo di allineamento chiamato calibrazione estrinseca. Si tratta dell'atto di determinare esattamente come la telecamera e il LiDAR siano posizionati l'uno rispetto all'altro. Se questo allineamento è errato anche solo di una frazione infinitesima, la comprensione che il robot ha del mondo diventa distorta, portando a errori nella navigazione o nella misurazione. Un modo comune per eseguire questo allineamento è utilizzare un semplice bersaglio circolare, come un disco dipinto o un anello metallico, e chiedere a entrambi i sensori di trovarne il centro. La sfida, tuttavia, è che trovare il vero centro di un cerchio è sorprendentemente difficile quando i dati sono rumorosi, incompleti o visti da un'angolazione.

Un team di ricercatori ha affrontato questo problema specifico, concentrandosi sugli errori nascosti che si verificano quando si misurano i centri dei cerchi sia nello spazio 3D che nelle immagini 2D. Nella pratica standard, quando un sensore LiDAR scansiona un oggetto circolare, i dati che raccoglie sono spesso una nuvola dispersa di punti. Il metodo tradizionale per trovare il centro di questa forma prevede un processo in due fasi: prima, il computer adatta un piano piatto attraverso i punti dispersi e, successivamente, proietta tali punti su quel piano per adattare un semplice cerchio 2D. I ricercatori hanno scoperto che questo approccio sequenziale introduce un bias sistematico, il che significa che il centro calcolato è costantemente spostato rispetto al vero centro, specialmente quando i dati sono scarsi o il cerchio è visibile solo parzialmente. Allo stesso modo, quando una telecamera guarda un cerchio 3D, il cerchio raramente appare come un cerchio perfetto nell'immagine; la distorsione prospettica di solito lo trasforma in un ovale, o ellisse. I metodi convenzionali spesso assumono che il centro di questo ovale sia lo stesso del centro del cerchio 3D originale. I ricercatori hanno dimostrato che questa assunzione è errata; nella maggior parte degli angoli di visione, il centro dell'ovale è in realtà spostato rispetto alla vera proiezione del centro del cerchio 3D. Questi piccoli errori nelle misurazioni iniziali si accumulano, rendendo l'allineamento finale tra la telecamera e il LiDAR meno accurato di quanto potrebbe essere.

Per risolvere questo problema, i ricercatori hanno sviluppato un nuovo approccio che tratta la misurazione del cerchio 3D e dell'immagine 2D come un problema geometrico unificato piuttosto che come una serie di passaggi separati. Per i dati 3D provenienti dal LiDAR, hanno introdotto un metodo che utilizza un quadro matematico specializzato per adattare il cerchio direttamente ai punti nello spazio. Invece di appiattire prima i dati, questo metodo trova la sfera e il piano che meglio si adattano simultaneamente, ignorando efficacementamente il rumore e gli outlier che di solito compromettono i calcoli tradizionali. Questa tecnica è abbastanza robusta da gestire situazioni in cui il sensore vede solo un piccolo arco del cerchio o in cui i dati sono contaminati da errori casuali. Per l'immagine 2D, il team ha creato un nuovo modo per individuare il vero centro del cerchio proiettato. Hanno compreso che, se si tracciano delle linee attraverso il vero centro della forma proiettata, le lunghezze delle corde che esse creano sull'ovale seguono un modello specifico e prevedibile. Cercando il punto in cui la variazione di queste lunghezze delle corde è minimizzata, il sistema può individuare il vero centro, distinguendolo dal centro fuorviante della forma ovale.

Un ostacolo significativo in questa misurazione 2D è che la ricerca matematica del vero centro produce spesso due possibili risposte, o "minimi locali", e non è immediatamente ovvio quale sia quella corretta. I ricercatori hanno risolto questa ambiguità in due modi. Se il bersaglio di calibrazione contiene due cerchi situati sulla stessa superficie piana, il sistema può utilizzare la relazione geometrica tra di essi per verificare quale centro sia quello giusto. Se è disponibile un solo cerchio, hanno ideato una strategia di riserva che testa entrambe le possibilità rispetto ai dati 3D per vedere quale porti a un allineamento coerente. Il team ha testato questi metodi utilizzando simulazioni al computer, dati sintetici ed esperimenti nel mondo reale con vari tipi di sensori, inclusi LiDAR a stato solido e meccanici accoppiati con diversi tipi di telecamere. I risultati hanno mostrato che i loro nuovi metodi hanno ridotto significativamente l'errore nella misurazione dei centri dei cerchi. Nelle simulazioni, il nuovo approccio ha ridotto l'errore nell'allineamento finale tra la telecamera e il LiDAR da oltre un centimetro a meno di un centimetro, e ha migliorato anche la precisione dell'angolo di rotazione.

Lo studio conferma che l'accuratezza della percezione di un robot dipende fortemente dalla qualità delle primitive geometriche che utilizza per comprendere il mondo. Correggendo i bias sistematici nel modo in cui vengono misurati i centri dei cerchi, i ricercatori hanno fornito una base più affidabile per calibrare sistemi di sensori eterogenei. Il loro lavoro non offre solo un miglioramento teorico; fornisce uno strumento pratico che funziona attraverso diverse configurazioni di sensori e condizioni del mondo reale, dalla produzione industriale alla guida autonoma. I ricercatori hanno reso il loro codice pubblicamente disponibile, permettendo ad altri ingegneri di applicare queste tecniche di misurazione più accurate ai propri sistemi. Sebbene lo studio si sia concentrato su bersagli circolari, il principio sottostante — ovvero che l'ottimizzazione diretta e congiunta delle misurazioni geometriche è superiore ai passaggi sequenziali e disaccoppiati — suggerisce una strada da seguire per migliorare l'accuratezza di molti altri tipi di compiti di fusione dei sensori. Le scoperte sottolineano che anche le forme geometriche più semplici richiedono una gestione sofisticata quando viste attraverso le lenti imperfette dei sensori del mondo reale.