論文の概要: Lollypop: Camera-to-Motion-Capture Calibration Verification with a Reference Target
- arxiv url: http://arxiv.org/abs/2610.04785v1
- Date: Sat, 03 Oct 2026 21:56:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 16:40:59.219453
- Title: Lollypop: Camera-to-Motion-Capture Calibration Verification with a Reference Target
- Title（参考訳）: Lollypop:リファレンスターゲットによるカメラ・ツー・モーション・キャプチャ・キャリブレーションの検証
- Abstract要約: カメラ・トゥ・モーション・キャプチャ(mocap-to-motion-capture)キャリブレーションは、ロボット工学、AR/VR、その他のコンピュータビジョンタスクにおいて、モキャップを地上の真実として使用するために不可欠である。
独立キャリブレーション検証のためのファドリアルモード参照ターゲットであるLollypopを提案する。
- 参考スコア（独自算出の注目度）: 18.585436889628593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera-to-motion-capture (mocap) calibration is essential for using mocap as ground truth in robotics, AR/VR, and other computer vision tasks. However, the calibration can drift after deployment, while calibration residuals and visual inspection provide limited independent verification. We present Lollypop, a fiducial-mocap reference target for independent calibration verification. The target couples an ArUco fiducial with a mocap marker constellation so the visual center and tracked centroid represent the same physical point. Given a candidate calibration, verification projects the mocap point into the image and measures its disagreement with the detected fiducial center. Experiments show sub-pixel nominal error, sensitivity to controlled extrinsic perturbations, and increasing error during an illustrative mixed-handling sequence.
- Abstract（参考訳）: カメラ・トゥ・モーション・キャプチャ(mocap-to-motion-capture)キャリブレーションは、ロボット工学、AR/VR、その他のコンピュータビジョンタスクにおいて、モキャップを地上の真実として使用するために不可欠である。
しかし、キャリブレーションは展開後にドリフトし、キャリブレーション残量と視覚検査は限定的な独立性検証を提供する。
独立キャリブレーション検証のためのファドリアルモード参照ターゲットであるLollypopを提案する。
ターゲットは、ArUcoフィデューシャルとモキャップマーカーコンステレーションを結合し、視覚中心と追跡されたセントロイドは同じ物理点を表す。
候補校正が与えられた場合、モキャップポイントを画像に投影し、検出された画像中心との相違を計測する。
実験では、サブピクセル名の誤り、制御された外因性摂動に対する感度、およびイラストラティブな混合処理シーケンス中のエラーの増加を示す。
関連論文リスト
- Adversarial Calibration Attack on Autonomous Vehicles [12.041844860095287]
本稿では、カメラ-LiDARオンラインキャリブレーションに対する最初の物理的攻撃であるAdversarial Attack (ACA)を紹介する。
ACAは、回転校正誤差の平均33.9度を誘導し、物体検出を著しく劣化させる。
これらの結果から,オンラインキャリブレーションはAVにとって実用的で安全に重要な攻撃面であることが示された。
論文 参考訳（メタデータ） (2026-08-28T18:35:54Z) - Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - CalibFree: Self-Supervised View Feature Separation for Calibration-Free Multi-Camera Multi-Object Tracking [50.354685761416484]
CalibFreeは、MCMOTタスクのキャリブレーションや手動ラベリングを必要としない自己教師型表現学習フレームワークである。
MMP-MvMHATデータセットの実験では、全体の精度が3%向上し、最先端のアプローチよりも平均F1スコアが7.5%向上した。
論文 参考訳（メタデータ） (2026-05-10T01:04:12Z) - Robust Camera-to-Mocap Calibration and Verification for Large-Scale Multi-Camera Data Capture [18.22576487999375]
魚眼カメラの校正・検証システムについて述べる。
lollypopは、キャリブレーションデータから完全に独立した測定チェーンを通じて、高速で演算子に依存しない評価を提供する。
システムは運用データ収集パイプラインにデプロイされている。
論文 参考訳（メタデータ） (2026-04-23T23:37:00Z) - Generic Camera Calibration using Blurry Images [0.0]
ジェネリックカメラのキャリブレーションはパラメトリックカムのキャリブレーションよりも正確な結果が得られる。
幾何学的制約と局所パラメトリック照明モデルに基づいて特徴点と空間的変化点拡散関数を同時に推定する。
論文 参考訳（メタデータ） (2026-03-05T13:29:05Z) - UniCal: Unified Neural Sensor Calibration [32.7372115947273]
自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。
従来のキャリブレーション手法では、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。
我々は、複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。
論文 参考訳（メタデータ） (2024-09-27T17:56:04Z) - A re-calibration method for object detection with multi-modal alignment bias in autonomous driving [6.672552664633057]
自律走行における多モード物体検出は、異なるセンサからの補完情報を融合させることにより、大きなブレークスルーを達成した。
LiDARやカメラなどのセンサーとの融合の校正は、以前の研究で常に正確であるはずだった。
実際には、キャリブレーション行列は車両が工場を出る際に固定されるが、機械的振動、道路の隆起、データラグはキャリブレーションバイアスを引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-05-27T05:46:37Z) - W-HMR: Monocular Human Mesh Recovery in World Space with Weak-Supervised Calibration [57.37135310143126]
モノクロ画像からの3次元運動回復のための従来の手法は、カメラ座標に依存するため、しばしば不足する。
W-HMRは、身体の歪み情報に基づいて「適切な」焦点長を予測する弱教師付き校正法である。
また,世界空間における可視的再構築のために,身体の向きを補正する OrientCorrect モジュールを提案する。
論文 参考訳（メタデータ） (2023-11-29T09:02:07Z) - How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。
ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文 参考訳（メタデータ） (2021-05-26T07:06:58Z) - Self-Calibration Supported Robust Projective Structure-from-Motion [80.15392629310507]
本稿では,自己校正制約によってマッチングプロセスが支持される統合されたStructure-from-Motion (SfM)法を提案する。
これらの制約を利用して,ロバストなマルチビューマッチングと正確なカメラキャリブレーションを示す実験結果を示す。
論文 参考訳（メタデータ） (2020-07-04T08:47:10Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-24T10:32:49Z)
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。