鲁棒的自监督外参自标定

自动驾驶车辆与机器人需要在广泛多样的场景中运行以高效、安全地完成任务。基于视频的多相机自监督单目深度估计是一种有前景的环境推理方式，因为它从视觉数据生成度量尺度的几何预测而无需额外传感器。然而，大多数工作假设外参已良好标定以充分利用该多相机设置，尽管准确且高效的标定仍是一个具有挑战性的问题。在本工作中，我们引入一种新颖的外参标定方法，其构建于自监督单目深度与自运动学习原理之上。我们提出的课程学习策略使用带有速度监督的单目深度与位姿估计器来估计外参，然后针对刚性附着于移动车辆上的一组重叠相机联合学习外参标定以及深度与位姿。在基准多相机数据集（DDAD）上的实验表明，与传统基于视觉的位姿估计流程相比，我们的方法能够在多种场景中鲁棒且高效地实现自标定。此外，我们展示了外参自标定作为一种通过联合优化改进深度预测手段的优势。