Unified Temporal and Spatial Calibration for Multi-Sensor Systems
下载链接：点击
为了提升机器人状态估计的准确性和鲁棒性，在现代工程领域中，越来越多的应用广泛采用来自多个互补传感器的数据。 在复杂环境下的传感器融合中实现最佳性能，在空间和时间维度上实现精确对准是必要的。 为此，在现有的研究中已经开发出多种方法来实现两阶段状态估计过程：第一步是精确计算时间偏移量；第二步则是通过坐标变换解决不同传感器之间的相对位置问题。
在我们的研究项目中提出了一种新的框架，在这一过程中我们专注于解决不同传感器测得的数据之间的时差及其空间位置关系问题。 该方法通过连续时间范围内的批量处理方式实现了这一目标，并且我们还将其与其他相关技术相结合以提升整体性能。
Calibration between the camera and IMU has been validated through experimental data, demonstrating that the framework can precisely compute a portion of the time offset within the minimal measurement period.
在这样的系统架构中，中央单元被设计为响应传感器的触发事件或者执行轮询操作以获取反馈值；此外，在这种系统中还能够持续地接收来自传感器的固定速率数据流量。通过统一使用一个主时钟电路，在数据到达或者在用户主动发起请求的情况下为每个数据包附加相应的计时机戳信息。
在这种情况下，传感器测量之间的延迟由通信延迟和内部传感器延迟确定 - 内部传感器延迟由滤波器或逻辑引入 - 以及由任务调度引起的随机延迟。 在使用Moon等[4]的方法去除对这些固定速率测量的随机影响后，有时可以推断传感器数据的延迟。 该延迟是恒定的，因此可以在离线校准过程中确定。传统的离散时间估计技术通常在每个测量时间都需要一个状态。 这使得当更新偏移时测量时间偏移时难以估计时间偏移。 这导致专门算法的开发仅用于估计传感器空间校准之前应用的时间偏移[5]，[6]。
基于该研究团队提出的一种连续时间批量估算算法[7]，时间偏移参数较为简便地可被纳入具有理论基础的最大似然估计框架中。 然而，在认同文献[6]的观点基础上，并非联合估计不相关参数不会影响最终结果这一问题上存在分歧：鉴于准确的测量模型假设下而言，最大似然估计所具有的最优性质这种优势得以体现于我们的方法之中。 因此，在充分整合所有可用信息的基础上实施统一估计策略，则能够使我们获得的结果达到最佳精度水平。
第五节中的结果验证了这一假设成立，并显示额外传感器提供的信息在准确性上具有优势，并且其带来的增益超过了不相关参数可能带来的干扰。
本文的贡献如下：
我们提出了采用批量数据和最大似然估计来计算各传感器之间固定时间偏移量的方法
我们开发了一个用于精确定位摄像机与惯性测量单元（IMU）关系的估算器；该设备不仅实现了摄像机与IMU之间的变换识别，并且计算得到了它们的时间偏移。
我们考察了模拟与实际数据间的估计（源自图1所述情境）并发现该方法足以灵敏地识别出高速传感器仅占总时间一小部分的时间偏差，并因相机曝光时间的不同而产生差异。
通过证明，在加速度测量中包含的附加信息显示出显著的受益（[5]，[6]）。
在本节中, 我们将探讨一对传感器之间相对时间偏移的问题. 将此方法扩展至多于两个传感器同样是可行的.