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

In de wereld van machines die zien, is precisie alles. Of een robot nu een kamer moet navigeren, een zelfrijdende auto een voetganger moet ontwijken, of een drone veilig moet landen, het moet precies weten waar het zich bevindt ten opzichte van de objecten om zich heen. Deze taak vertrouwt vaak op twee verschillende soorten ogen: een camera, die een plat, tweedimensionaal beeld van de wereld vastlegt, en een LiDAR-sensor, die onzichtbare laserstralen afschiet om de driedimensionale vorm van objecten in de ruimte in kaart te brengen. Om deze twee sensoren als één team te laten samenwerken, moeten ingenieurs een delicaat uitlijningsproces uitvoeren dat extrinsieke kalibratie wordt genoemd. Dit is het proces van het bepalen van hoe de camera en de LiDAR precies ten opzichte van elkaar gepositioneerd zijn. Als deze uitlijning zelfs maar een fractie afwijkt, wordt het begrip van de robot van de wereld vervormd, wat leidt tot fouten in navigatie of meting. Een veelgebruikte manier om deze uitlijning uit te voeren is door een eenvoudige, cirkelvormige doelwit te gebruiken, zoals een geschilderde schijf of een metalen ring, en beide sensoren te vragen het middelpunt ervan te vinden. De uitdaging is echter dat het vinden van het ware middelpunt van een cirkel verrassend moeilijk is wanneer de data ruis bevat, incompleet is of vanuit een hoek wordt bekeken.

Een team van onderzoekers heeft dit specifieke probleem aangepakt door zich te concentreren op de verborgen fouten die optreden bij het meten van de centra van cirkels in zowel 3D-ruimte als 2D-beelden. In de standaardpraktijk, wanneer een LiDAR-sensor een cirkelvormig object scant, is de data die het verzamelt vaak een verspreide wolk van punten. De traditionele methode voor het vinden van het middelpunt van deze vorm bestaat uit een tweestaps-proces: eerst past een computer een plat vlak toe op de verspreide punten, en daarna projecteert het die punten op dat vlak om een eenvoudige 2D-cirkel te fitten. De onderzoekers ontdekten dat deze stapsgewijze aanpak een systematische bias introduceert, wat betekent dat het berekende middelpunt consequent verschoven is ten opzichte van het ware middelpunt, vooral wanneer de data schaars is of de cirkel slechts gedeeltelijk zichtbaar is. Op vergelijkbare wijze, wanneer een camera naar een 3D-cirkel kijkt, verschijnt de cirkel zelden als een perfecte cirkel in het beeld; perspectivische vervorming verandert het meestal in een ovaal, of ellips. Conventionele methoden gaan er vaak van uit dat het middelpunt van dit ovaal hetzelfde is als het middelpunt van de oorspronkelijke 3D-cirkel. De onderzoekers hebben aangetoond dat deze aanname onjuist is; onder de meeste kijkhoeken ligt het middelpunt van het ovaal feitelijk verschoven ten opzichte van de ware projectie van het middelpunt van de 3D-cirkel. Deze kleine fouten in de initiële metingen stapelen zich op, waardoor de uiteindelijke uitlijning tussen de camera en de LiDAR minder nauwkeurig is dan zij zou kunnen zijn.

Om dit op te lossen, hebben de onderzoekers een nieuwe aanpak ontwikkeld die de meting van de 3D-cirkel en het 2D-beeld behandelt als één verenigd, geometrisch probleem in plaats van een reeks afzonderlijke stappen. Voor de 3D-data van de LiDAR hebben ze een methode geïntroduceerd die gebruikmaakt van een gespecialiseerd wiskundig kader om de cirkel direct op de punten in de ruimte te fitten. In plaats van de data eerst af te vlakken, vindt deze methode de best passende sfeer en het vlak gelijktijdig, waardoor ruis en uitschieters die traditionele berekeningen doorgaans verstoren, effectief worden genegeerd. Deze techniek is robuust genoeg om situaties aan te kunnen waarin de sensor slechts een klein deel van de boog van de cirkel ziet of waar de data gecontamineerd is door willekeurige fouten. Voor het 2D-beeld heeft het team een nieuwe manier gecreëerd om het ware middelpunt van de geprojecteerde cirkel te lokaliseren. Ze realiseerden zich dat als je lijnen trekt door het ware middelpunt van de geprojecteerde vorm, de lengtes van de koorden die ze op het ovaal creëren, een specifiek, voorspelbaar patroon volgen. Door te zoeken naar het punt waar de variatie in deze koordlengtes wordt geminimaliseerd, kan het systeem het ware middelpunt aanwijzen, waardoor het onderscheid gemaakt kan worden met het misleidende middelpunt van de ovale vorm.

Een aanzienlijke hindernis bij deze 2D-meting is dat de wiskundige zoektocht naar het ware middelpunt vaak twee mogelijke antwoorden, of "lokale minima", produceert, en het is niet onmiddellijk duidelijk welke correct is. De onderzoekers losten deze ambiguïteit op twee manieren op. Als het kalibratiedoel twee cirkels bevat die op hetzelfde platte oppervlak liggen, kan het systeem de geometrische relatie tussen hen gebruiken om te verifiëren welk middelpunt het juiste is. Als er slechts één cirkel beschikbaar is, ontwikkelden ze een fallback-strategie die beide mogelijkheden test tegen de 3D-data om te zien welke een consistente uitlijning oplevert. Het team heeft deze methoden getest met behulp van computersimulaties, synthetische data en experimenten in de echte wereld met diverse sensoren, waaronder solid-state en mechanische LiDARs gekoppeld aan verschillende soorten camera's. De resultaten toonden aan dat hun nieuwe methoden de fout in het meten van de cirkelcentra aanzienlijk verminderden. In simulaties verminderde de nieuwe aanpak de fout in de uiteindelijke uitlijning tussen de camera en de LiDAR van meer dan een centimeter naar minder dan een centimeter, en het verbeterde ook de precisie van de rotatiehoek.

De studie bevestigt dat de nauwkeurigheid van de perceptie van een robot zwaar afhangt van de kwaliteit van de geometrische primitieven die het gebruikt om de wereld te begrijpen. Door de systematische biases in de manier waarop cirkelcentra worden gemeten te corrigeren, hebben de onderzoekers een betrouwbaarder fundament geboden voor het kalibreren van heterogene sensorsystemen. Hun werk biedt niet alleen een theoretische verbetering; het biedt een praktisch hulpmiddel dat werkt in verschillende sensorconfiguraties en real-world condities, van industriële productie tot autonoom rijden. De onderzoekers hebben hun code publiekelijk beschikbaar gesteld, zodat andere ingenieurs deze nauwkeurigere meettechnieken op hun eigen systemen kunnen toepassen. Hoewel de studie zich richtte op cirkelvormige doelwitten, suggereert het onderliggende principe — dat directe, gezamenlijke optimalisatie van geometrische metingen superieur is aan sequentiële, ontkoppelde stappen — een pad vooruit voor het verbeteren van de nauwkeurigheid van vele andere soorten sensorfusie-taken. De bevindingen onderstrepen dat zelfs de eenvoudigste geometrische vormen een geavanceerde behandeling vereisen wanneer ze worden bekeken door de imperfecte lenzen van real-world sensoren.