相机自动曝光方法在野外可重复评估：平台、基准与经验教训
机器人学
2025-06-24 v1 计算机视觉与模式识别
摘要
标准数据集常常存在局限性，尤其是由于输入传感器的固定性质，使得难以比较那些主动调整传感器参数以适应环境条件的方法。这正是自动曝光（AE）方法的情况，其依赖环境因素来影响图像采集过程。因此，传统上AE方法以在线方式进行基准测试，导致实验不可重复。基于我们的前期工作，我们提出一种方法，利用能够生成任意曝光时间下图像的仿真器。该方法利用BorealHDR——一个独特的多曝光立体数据集，以及其新的扩展部分——在一天中的不同时间沿重复轨迹获取数据，以评估光照变化的影响。总体而言，BorealHDR在挑战性光照条件下覆盖了59条轨迹，累计达13.4公里。该数据集还包括基于激光惯性里程计构建的地图，以及每帧图像的姿态估计，此外还包含全球导航卫星系统（GNSS）数据用于比较。我们展示，通过使用在各种曝光时间获取的图像，我们可以以与真实图像相比，根均方误差（RMSE）低于1.78%来模拟出逼真的图像。采用这种离线方法，我们对八种AE方法进行了基准测试，得出结论认为，经典AE方法在野外仍是最佳性能者。为进一步支持可重复性，我们详细介绍了背包式采集平台的开发，包括硬件、电气组件及性能规格。此外，我们还分享了在覆盖超过25公里的不同环境中部署背包式平台所获得的宝贵经验教训。我们的代码和数据集已在此链接在线提供：https://github.com/norlab-ulaval/TFR24 BorealHDR
引用
@article{arxiv.2506.18844,
title = {Reproducible Evaluation of Camera Auto-Exposure Methods in the Field: Platform, Benchmark and Lessons Learned},
author = {Olivier Gamache and Jean-Michel Fortin and Matěj Boxan and François Pomerleau and Philippe Giguère},
journal= {arXiv preprint arXiv:2506.18844},
year = {2025}
}
备注
19 pages, 11 figures, pre-print version of the accepted paper for IEEE Transactions on Field Robotics (T-FR)