基于各传感器自身运动估计的可证明全局最优外参标定

我们提出了一种可证明全局最优的算法，用于确定两个能够产生独立自身运动估计的传感器之间的外参标定。该问题此前已通过多种技术求解，包括不具备形式化全局最优性保证的局部优化方法。我们使用二次目标函数将标定表述为二次约束二次规划（QCQP）。通过利用 QCQP 优化的最新进展，我们能够使用现有的半定规划（SDP）求解器，经由拉格朗日对偶问题获得可证明的全局最优解。无论可用测量数量与噪声水平如何，我们的问题表述均可由现有通用求解器在不到一秒内完成全局优化。这使得各类机器人平台能够在无需初始估计或操作员干预的情况下，快速且鲁棒地计算并验证一组全局最优的标定参数。我们在大量仿真与多个真实数据集上将本方法与局部求解器进行了性能比较。最后，我们给出了必要的可观测性条件，将本方法与近期理论结果相联系，并从解析上支撑了系统的实证性能。