标定系列二 | 实践之Camera-Odometry标定

Question

如题所述

Answer 1

旷视MegMaster智能设备的Camera-Odometry标定实践

旷视的MegMaster机器人系列凭借其AI技术和机器人能力，专为物流仓储与工厂制造的高效搬运和分拣任务打造。SLAM团队深入分享他们的研发经验，推出一系列多传感器标定教程，其中Camera-Odometry标定是关键环节。研究人员柴政深入解析，涵盖了基础知识、独特的标定策略、详细代码讲解以及关键注意事项，如欧拉角分解和轮速计运动方程的应用。

在机体运动的描述中，运动增量通过李代数表达（更多技术细节请参考[2]），通过右乘机体后，角度部分与欧拉积分相辅，平移部分则需加入额外的变换矩阵。

标定方案分为两种，一是利用已知码盘内参来确定外参，二是同时标定内外参。柴政团队借鉴[3][4]中的方法，通过使用Apriltag标定板优化了尺度估计，提高了精度。

目标清晰：在已知cam和odo帧间运动的前提下，目标是校准cam和odo之间的相对位置，即经典的“手眼标定”问题。

关键步骤解析

解析roll和pitch: 通过四元数和ZYX定轴分解，通过公式推导找出这两个关键角度（2.1.1节）。
参数求解: 在找到roll和pitch后，进一步处理得出外参中z分量为零，说明Z轴无法直接观测（2.1.2节）。
方案比较


方案一：内参确定旋转和前两维平移，但最后一维的z轴不可视（2.2.1节）。
方案二：先单独标定roll和pitch，然后通过二维平移方程，标定相机和码盘外参，最终得出完整参数（2.2.3节）。

标定过程中的数据筛选与优化至关重要，开源代码采用方案二，包括数据采集、参数解析、优化refine等步骤，确保数据质量（3.1-3.3节）。最后，内参精度高，外参误差控制在6mm范围内，平移和角度误差微小（3.4节）。

对于多目标定，可以实现独立标定并对比，从而更好地评估性能（3.5节）。协方差分析通过正反向传播或隐函数定理进行，深入探讨（3.6节）。

柴政，这位早稻田硕士，旷视研究院SLAM组的专家，以其在AR/VR、无人驾驶和机器人领域的深厚研究，为这个领域带来了丰富的见解（3.7节）。