Selbstkalibrierung mobiler Multisensorsysteme mittels geometrischer 3D-Merkmale

Ein mobiles Multisensorsystem ermöglicht die effiziente, räumliche Erfassung von Objekten und der Umgebung. Die Kalibrierung des mobilen Multisensorsystems ist ein notwendiger Vorverarbeitungsschritt für die Sensordatenfusion und für genaue räumliche Erfassungen. Bei herkömmlichen Verfahren kalibrieren Experten das mobile Multisensorsystem in aufwändigen Prozeduren vor Verwendung durch Aufnahmen eines Kalibrierobjektes mit bekannter Form. Im Gegensatz zu solchen objektbasierten Kalibrierungen ist eine Selbstkalibrierung praktikabler, zeitsparender und bestimmt die gesuchten Parameter mit höherer Aktualität.
... mehr

Diese Arbeit stellt eine neue Methode zur Selbstkalibrierung mobiler Multisensorsysteme vor, die als Merkmalsbasierte Selbstkalibrierung bezeichnet wird. Die Merkmalsbasierte Selbstkalibrierung ist ein datenbasiertes, universelles Verfahren, das für eine beliebige Kombination aus einem Posenbestimmungssensor und einem Tiefensensor geeignet ist. Die fundamentale Annahme der Merkmalsbasierten Selbstkalibrierung ist, dass die gesuchten Parameter am besten bestimmt sind, wenn die erfasste Punktwolke die höchstmögliche Qualität hat. Die Kostenfunktion, die zur Bewertung der Qualität verwendet wird, basiert auf Geometrischen 3D-Merkmalen, die wiederum auf den lokalen Nachbarschaften jedes Punktes basieren.

Neben der detaillierten Analyse unterschiedlicher Aspekte der Selbstkalibrierung, wie dem Einfluss der Systemposen auf das Ergebnis, der Eignung verschiedener Geometrischer 3D-Merkmale für die Selbstkalibrierung und dem Konvergenzradius des Verfahrens, wird die Merkmalsbasierte Selbstkalibrierung anhand eines synthethischen und dreier realer Datensätze evaluiert. Diese Datensätze wurden dabei mit unterschiedlichen Sensoren und in unterschiedlichen Umgebungen aufgezeichnet.

Die Experimente zeigen die vielseitige Einsetzbarkeit der Merkmalsbasierten Selbstkalibrierung hinsichtlich der Sensoren und der Umgebungen. Die Ergebnisse werden stets mit einer geeigneten objektbasierten Kalibrierung aus der Literatur und einer weiteren, nachimplementierten Selbstkalibrierung verglichen. Verglichen mit diesen Verfahren erzielt die Merkmalsbasierte Selbstkalibrierung bessere oder zumindest vergleichbare Genauigkeiten für alle Datensätze. Die Genauigkeit und Präzision der Merkmalsbasierten Selbstkalibrierung entspricht dem aktuellen Stand der Forschung. Für den Datensatz, der die höchsten Sensorgenauigkeiten aufweist, werden beispielsweise die Parameter der relativen Translation zwischen dem Rigid Body eines Motion Capture Systems und einem Laserscanner mit einer Genauigkeit von ca. $1\,\mathrm{cm}$ bestimmt, obwohl die Distanzmessgenauigkeit dieses Laserscanners nur $3\,\mathrm{cm}$ beträgt.

A mobile multi-sensor system enables the efficient acquisition of spatial data of objects and the environment. The calibration of the mobile multi-sensor system is a necessary pre-processing step for sensor data fusion and for accurate spatial acquisitions. With conventional methods, experts calibrate the mobile multi-sensor system in time-consuming procedures by capturing a calibration object with a known shape. In contrast to such object-based calibrations, self-calibration is more practical, less time-consuming and determines the required parameters with greater currentness.
... mehr

This thesis presents a new method for self-calibration of mobile multi-sensor systems, which is called Feature-based Self-calibration. The Feature-based Self-calibration is a data-driven, universal approach that is suitable for any combination of a pose estimation sensor and a depth sensor. The fundamental assumption of the Feature-Based Self-Calibration is that the unknown parameters are best determined when the acquired point cloud has the highest possible quality. The cost function used to evaluate this quality is based on geometric 3D-features, which in turn are based on the local neighborhoods of each point.

In addition to a detailed analysis of different aspects of the self-calibration, such as the impact of system poses on the result, the suitability of different Geometric 3D-features for self-calibration, and the convergence radius of the method, the Feature-based Self-calibration is evaluated using one synthetic and three real data sets. These data sets are recorded with different sensors and in different environments.

The experiments show the versatile applicability of the Feature-based Self-calibration with respect to sensors and environments. The results are always compared to a suitable object-based calibration from the literature and a further, reimplemented self-calibration method. Compared to these methods, the Feature-based Self-calibration achieves better or at least comparable accuracies for all data sets. The accuracy and precision of the Feature-based Self-calibration corresponds to the current state of the art. For the data set with the highest sensor accuracy, for example, the parameters of the relative translation between the rigid body of a motion capture system and a laser scanner are determined with an accuracy of approximately $1\,\mathrm{cm}$, although the range measurement accuracy of the utilized laser scanner is only $3\,\mathrm{cm}$.