A Target-based Calibration Method for LiDAR-Visual-Thermal Multi-Sensor System
Notice bibliographique
Résumé
As the basis of multi-sensor fusion, accurate extrinsic calibration among multi-sensors is vital for hetero-geneous information fusion. However, most existing methods only focus on the calibration between two specific heteroge-neous sensors, such as camera-LiDAR, LiDAR-thermal, and etc. which may cause inevitable accumulation when applied to a multi-sensor system. To address this problem, a novel calibration target and a high-accuracy method are proposed to simultaneously calibrate the intrinsic and extrinsic of a 3D LiDAR, a thermal camera and a visible camera without any user intervention. The proposed method only relies on one calibration board, to calibrate all the intrinsic and extrinsic parameters in one-step, without any strict pose requirement or long-time optimization. Furthermore, 2D-3D corresponding features can be extracted with higher precision by considering sensor model, comparing to the common feature extraction methods. Experiments with Velodyne VLP-16 LiDAR, ZED camera and D843NT thermal camera demonstrate that the proposed method can complete calibration among three of them automatically. Finally, this paper also presents a target-based method of uniformly expressing the calibration errors among multi-sensor system, with a competitive performance against most state-of-the-art methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».