論文の概要: Recalibrating the KITTI Dataset Camera Setup for Improved Odometry
Accuracy
- arxiv url: http://arxiv.org/abs/2109.03462v1
- Date: Wed, 8 Sep 2021 07:18:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 01:48:56.435279
- Title: Recalibrating the KITTI Dataset Camera Setup for Improved Odometry
Accuracy
- Title（参考訳）: kittiデータセットカメラのセットアップ変更によるオドメトリ精度の向上
- Authors: Igor Cvi\v{s}i\'c, Ivan Markovi\'c, Ivan Petrovi\'c
- Abstract要約: 我々は,KITTIデータセットの1ショットキャリブレーションのための新しいアプローチを提案する。
この手法は、低い校正再投射誤差と低い視覚計測誤差の両方において、より良い校正パラメータをもたらす。
オードメトリであるSOFT2とキャリブレーション法を併用して,公式のKITTIスコアボードにおいて高い精度を実現した。
- 参考スコア（独自算出の注目度）: 3.3517146652431378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the last decade, one of the most relevant public datasets for evaluating
odometry accuracy is the KITTI dataset. Beside the quality and rich sensor
setup, its success is also due to the online evaluation tool, which enables
researchers to benchmark and compare algorithms. The results are evaluated on
the test subset solely, without any knowledge about the ground truth, yielding
unbiased, overfit free and therefore relevant validation for robot localization
based on cameras, 3D laser or combination of both. However, as any sensor
setup, it requires prior calibration and rectified stereo images are provided,
introducing dependence on the default calibration parameters. Given that, a
natural question arises if a better set of calibration parameters can be found
that would yield higher odometry accuracy. In this paper, we propose a new
approach for one shot calibration of the KITTI dataset multiple camera setup.
The approach yields better calibration parameters, both in the sense of lower
calibration reprojection errors and lower visual odometry error. We conducted
experiments where we show for three different odometry algorithms, namely
SOFT2, ORB-SLAM2 and VISO2, that odometry accuracy is significantly improved
with the proposed calibration parameters. Moreover, our odometry, SOFT2, in
conjunction with the proposed calibration method achieved the highest accuracy
on the official KITTI scoreboard with 0.53% translational and 0.0009 deg/m
rotational error, outperforming even 3D laser-based methods.
- Abstract（参考訳）: 過去10年間で、オドメトリーの精度を評価する最も関連性の高いパブリックデータセットの1つは、KITTIデータセットである。
高品質でリッチなセンサー設定に加えて、その成功は、研究者がアルゴリズムをベンチマークして比較できるオンライン評価ツールによってもたらされる。
実験の結果は, 基礎的真理を知らずにのみ評価され, 偏りがなく, 過剰に適合し, カメラ, 3dレーザー, および両者の組み合わせに基づくロボットの局所化の妥当性を検証した。
しかし、センサのセットアップとして事前のキャリブレーションと修正されたステレオ画像が必要であり、デフォルトのキャリブレーションパラメータに依存する。
それを考えると、より優れた校正パラメータの集合がより高いオドメトリー精度をもたらすかどうかという自然な疑問が生じる。
本稿では,KITTIデータセットの1ショットキャリブレーションのための新しいアプローチを提案する。
このアプローチは、低いキャリブレーション再投影誤差と低いビジュアルオドメトリ誤差の両方において、より良いキャリブレーションパラメータをもたらす。
そこで本研究では,3つの異なるオドメトリアルゴリズムであるsoft2,orb-slam2,viso2について,提案するキャリブレーションパラメータによりオドメトリ精度が著しく向上することを示す実験を行った。
さらに,本手法と併用したSOFT2は,公式KITTIスコアボードにおいて,0.53%の翻訳誤差と0.0009deg/m回転誤差で高い精度を達成し,レーザによる3D法よりも優れていた。
関連論文リスト
- YOCO: You Only Calibrate Once for Accurate Extrinsic Parameter in LiDAR-Camera Systems [0.5999777817331317]
カメラとLiDARからなるマルチセンサー融合システムでは、正確な外部キャリブレーションがシステムの長期的な安定性と環境の正確な認識に寄与する。
本稿では,LiDARカメラシステムにおいて,対応点登録の必要性を回避するための完全自動外部校正手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T13:44:49Z) - From Chaos to Calibration: A Geometric Mutual Information Approach to
Target-Free Camera LiDAR Extrinsic Calibration [4.378156825150505]
そこで本研究では,根拠となる真理学習データを必要としない目標外キャリブレーションアルゴリズムを提案する。
我々は,KITTI と KITTI-360 の魚眼データセットを用いた改良を行った。
論文 参考訳（メタデータ） (2023-11-03T13:30:31Z) - Adaptive Calibrator Ensemble for Model Calibration under Distribution
Shift [23.794897699193875]
アダプティブ・キャリブレータ・アンサンブル(ACE)は、通常はキャリブレーション・セットよりも難しいOODデータセットをキャリブレーション・セットに分類する。
ACEは一般に、一連のOODベンチマークにおけるいくつかの最先端のキャリブレーション方式の性能を改善している。
論文 参考訳（メタデータ） (2023-03-09T15:22:02Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Optimising the selection of samples for robust lidar camera calibration [5.489796702858156]
シーン全体に適したキャリブレーションパラメータを推定するためのキャリブレーションサンプルの選択を最適化する,ロバストなキャリブレーションパイプラインを提案する。
このVOQスコアは,推定キャリブレーションパラメータがシーン全体に対してよく一般化する能力と相関していることを示す。
提案するキャリブレーションパイプラインは90秒で1-1.2cm,標準偏差0.4-0.5cmで46のシーンに均等に分布する。
論文 参考訳（メタデータ） (2021-03-23T03:46:15Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-24T10:18:30Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳（メタデータ） (2021-02-22T07:22:12Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。
そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。
このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文 参考訳（メタデータ） (2020-07-17T07:32:24Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z) - A Two-step Calibration Method for Unfocused Light Field Camera Based on
Projection Model Analysis [8.959346460518226]
提案手法は,方向パラメータセットに対する従来のカメラキャリブレーション手法を再利用することができる。
提案手法の精度とロバスト性は,様々なベンチマーク基準で評価される。
論文 参考訳（メタデータ） (2020-01-11T10:37:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。