基于优化理论与自监督学习的物理及语义信息驱动的多传感器标定
机器人学
2022-06-08 v1 人工智能
摘要
实现安全可靠的自动驾驶在很大程度上依赖于准确且鲁棒的感知系统；然而，若传感器未经精确标定，则无法完全实现这一目标。环境与操作条件以及维护不当均会产生标定误差，从而阻碍传感器融合，进而降低感知性能。传统上，传感器标定是在具有一个或多个已知目标的受控环境中进行的。此类程序只能在驾驶间隙执行且需要人工操作；若需定期进行，则是一项繁琐的任务。这激发了近期对无目标在线方法的兴趣，此类方法能够基于感知到的环境特征生成一组几何变换，然而，感知模态所需的冗余性使该任务更具挑战性，因为各模态捕获的特征及其显著性可能存在差异。我们提出了一种对相机-激光雷达-雷达三件套进行联合标定的整体方法。利用这些感知模态的先验知识与物理属性以及语义信息，我们在代价最小化框架内提出了两种无目标标定方法：一种通过直接在线优化，另一种通过自监督学习（SSL）。
引用
@article{arxiv.2206.02856,
title = {Physics and semantic informed multi-sensor calibration via optimization theory and self-supervised learning},
author = {Shmuel Y. Hayoun and Meir Halachmi and Doron Serebro and Kfir Twizer and Elinor Medezinski and Liron Korkidi and Moshik Cohen and Itai Orr},
journal= {arXiv preprint arXiv:2206.02856},
year = {2022}
}