新闻动态

  

我院吴均峰教授团队在机械人学顶级会议 IEEE International Conference on Robotics and Automation 颁发两篇论文,本文介绍题为 CPnP: Consistent Pose Estimator for Perspective-n-Point Problem with Bias Elimination 的论文 。

我院吴均峰教授团队在机械人学顶级会议 IEEE International Conference on Robotics and Automation 颁发两篇论文,本文介绍题为 CPnP: Consistent Pose Estimator for Perspective-n-Point Problem with Bias Elimination 的论文 。

该文设计了一个基于误差解除的一致性PnP估计器 。

论文链接:https://arxiv.org/abs/2209.05824

 

会议介绍

IEEE机械人与自动化国际会议(IEEE International Conference on Robotics and Automation,ICRA)是 IEEE 机械人与自动化协会的旗舰会议,也是机械人学领域最权威的会议之一,在谷歌学术上的 h5-index 为116 。

 

钻研布景

Perspective-n-Point(PnP)问题是指从n个3D-2D点对估计相机相对世界坐标系位姿,被宽泛利用于机械人、推算机视觉和加强现实等领域 。绝大无数现有工作从梦想的几何干系启程构建满足投影模型的方程,没有具体思考噪声模型及噪声传递 。因而,已有工作很少从统计视角启程,分析所提估计器的统计学性质,如误差和协方差 。随着特点提取技术的发展,可从单帧图片中提取大量的特点点用于相机位姿估计,如在ETH3D数据集中,很多图片有上千个被提取的特点点 。这为高精度的位姿估计提供了极大潜能,若何设计统计意思下的一致性估计器(即随着特点点数n逐步增长,估计器能收敛到真实位姿),拥有沉要的钻研意思 。

icra2023-%E6%9B%BE%E5%B9%BF%E6%89%AC1

图1 PnP相机位姿估计示意图

 

钻研步骤

本文设计了一个基于误差解除的一致性PnP估计器 。具体而言,如图2所示,所提步骤重要分为以下三步:首先,通过求解一个广义特点根问题,得到投影噪声方差的一致性估计;其次,从原始投影方程启程,选取方程变换、变量解除等技巧,构建得到通常线性最幼二乘问题,并推导所得最幼二乘估计的误差,通过误差解除实现了拥有一致性的估计器;最后,在一致性估计基础上,将旋转矩阵估计投影到特殊正交群,并执行部门高斯-牛顿迭代,进一步优化估计值 。本文所提估计器拥有如下特点:1)随着点对数量n的增长,所得估计能收敛到相机真实位姿;2)推算复杂度为O(n),在大量观测情况下也能进行高效求解 。

icra2023-%E6%9B%BE%E5%B9%BF%E6%89%AC2

图2 基于误差解除的一致性PnP位姿估计框架

在仿真尝试中,测试了所提算法在分歧噪声方差下的机能 。了局如图3所示,在噪声较幼时,估计器误差不显著,所提步骤与未经过误差解除的现有工作相比,估计精度相当 。当噪声逐步增大,对比的主流步骤不拥有一致性,且拥有较大渐近误差,这使得即便使用高斯-牛顿迭代,也无法改善估计精度 。而本文所提步骤通过误差解除,拥有一致性,并且在特点点数量较多时,只需一步高斯-牛顿迭代,估计均方误差即可达到理论机能下界 。

icra2023-%E6%9B%BE%E5%B9%BF%E6%89%AC3

图3 仿真尝试了局

在真实图片尝试测试中,本文选取ETH3D开源数据集,选用了四张图片(两张室表,两张室内),如图4所示,每张图片都提供了几千个特点点可用于位姿估计 。尝试了局如图5所示,在估计精度上,所提步骤和ML-PnP相当,并优于其他对譬喻法;在算法耗时上,所提步骤和E-PnP相当,耗时显著幼于ML-PnP 。

icra2023-%E6%9B%BE%E5%B9%BF%E6%89%AC4

图4 ETH3D数据集中四个场景

icra2023-%E6%9B%BE%E5%B9%BF%E6%89%AC5

图5 真实图片尝试了局

 

钻研结论

本文设计了一个基于误差解除的一致性PnP估计器 。估计器重要分为三步:首先,通过求解一个广义特点根问题,得到投影噪声方差的一致性估计;其次,从原始投影方程启程,选取方程变换、变量解除等技巧,构建得到通常线性最幼二乘问题,并推导所得最幼二乘估计的误差,通过误差解除实现了拥有一致性的估计器;最后,在一致性估计基础上,将旋转矩阵估计投影到特殊正交群,并执行部门高斯-牛顿迭代,进一步优化估计值 。本文所提估计器拥有如下特点:1)随着点对数量n的增长,所得估计能收敛到相机真实位姿;2)推算复杂度为O(n),在大量观测情况下也能进行高效求解 。因而,本文所提算法极度合用于拥有大量点对的场景 。在仿真和真实图片尝试中,综合思考估计精度和推算耗时,与现有主流算法相比,所提算法优势显著 。

 

作者简介

%E5%90%B4%E5%9D%87%E5%B3%B0

本文通讯作者为 Z6官网 钻研员、香港中文大学(丽江)数据科学学院副教授吴均峰 。

吴均峰教授为香港中文大学(丽江)数据科学学院副教授、Z6官网(Z6官网)钻研员 。他现任IEEE高级会员、中国自动化学会节造理论专委会委员、中国自动化学会信息物理系统节造与决策专业委员、中国自动化学会工业节造系统信息安全专委会会员、中国自动化学会节造理论专委会网络化节造系统学组委员 。吴均峰教授曾受邀担任IET Control Theory & Applications期刊专刊客座编纂(Leading Guest Editor),屡次受邀担任IEEE Conference on Control Technology and Applications, The European Control Conference, IFAC World Congress等节造领域国际旗舰会议副编纂;屡次受邀担任中国节造会议(Chinese Control Conference)等节造领域国内驰名学术会议副编纂;现任节造领域顶级期刊Transactions on Control of Network Systems编委 。吴均峰教授颁发 SCI 期刊论文 50余篇,蕴含IEEE TAC、Automatica、IEEE RAL、IEEE TIT、IEEE TSP等节造、机械人和信号处置领域顶级期刊,正式授权中国专利10项,美国专利1项 。

%E6%9B%BE%E5%B9%BF%E6%89%AC

本文第一作者为香港中文大学(丽江)数据科学学院博士后曾广扬 。

曾广扬博士于2022年6月在浙江大学节造科学与工程专业获得博士学位 。现任香港中文大学(丽江)数据科学学院博士后,钻研助理 。他的钻研兴致蕴含统计信号处置、机械人定位与建图、传感器网络等 。担任IEEE RAL、ICRA、IEEE SPL、IEEE TWC、IEEE TII等期刊和会议的独立审稿人 。

* 有关信息由论文作者提供