Streamlining Calibration: Eliminating Infrastructure and Certifying Optimality
Notice bibliographique
Résumé
Autonomous systems often fuse data from multiple sensors and sensing modalities to improve robustness when operating in adverse conditions. Correct sensor fusion requires knowledge of the transformations between the sensor reference frames as well as the temporal offsets between the sensor measurement times. Due to modifications and wear-and-tear, estimates of these parameters may become inaccurate over time, and end-users of autonomous systems in turn require processes to estimate these parameters. The process of estimating the spatial transformation is known as extrinsic calibration, while the process of estimating the temporal offset is known as temporal calibration. Jointly estimating both sets of parameters is known as spatiotemporal calibration. Many state-of-the-art calibration methods require specialized targets and rough initial guesses for the parameters of interest. These requirements limit potential sensor configurations and calibration venues (e.g., the environment must contain a target and all sensors must view that singular target). In this thesis, we seek to lift these restrictions and streamline the calibration process for end-users. Initially, we explore a method to eliminate specialized targets in spatiotemporal calibration where one sensor is a radar. We then develop a targetless extrinsic calibration method for pairs of radars. Additionally, we apply recent results from convex optimization to two classic calibration problems, the hand-eye calibration problem and the hand-eye-robot-world calibration problem, yielding solutions for the optimal calibration parameters (for a dataset) without prior knowledge. Through simulation studies and real-world experiments, we demonstrate that our methods achieve estimation accuracy similar to or better than other calibration methods that require initialization or specialized targets.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».