日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

キャリブレーションarXiv:2508.06330

L2Calib: 退化運動に頑健な外部キャリブレーションのためのSE(3)多様体強化学習

L2Calib: $SE(3)$-Manifold Reinforcement Learning for Robust Extrinsic Calibration with Degenerate Motion Resilience

シェア:XThreadsFacebookLINEはてブBluesky

外部キャリブレーションを意思決定問題として定式化し、SE(3)上の強化学習で直接最適化することで、構造化ターゲットや十分な励振がない実運用データでも高精度にキャリブレーションできる手法を提案。

詳しい要約

1. どんなもの?

- マルチセンサfusionのためのextrinsic calibrationを、強化学習(RL)の意思決定問題として定式化するフレームワーク - $SE(3)$ extrinsicsを直接最適化し、odometry精度を高める - structured targetsを不要とし、通常運用データからのcalibrationを狙う - 対象はUAVs、UGVs、handheld platformsなどのロボティクスプラットフォーム - コード公開あり(https://github.com/APRIL-ZJU/learn-to-calibrate)

2. 先行研究と比べてどこがすごい?

- 既存手法はstructured targetsやfully-excited dataに依存し、実世界適用が制限される - online calibrationはweak excitationで推定が不安定になりやすい - 提案手法はstructured targetsなしでrobust calibrationを実現 - weak excitation条件下でも高精度calibrationを達成 - 高品質な初期extrinsicsを不要とし、多様なプラットフォームへの展開を簡素化 - 従来のoptimization-based手法を上回る性能を報告

3. 技術・手法の肝は?

- extrinsic calibrationをdecision-making問題としてRLで解き、$SE(3)$ extrinsicsを直接最適化 - 3D回転のモデリングにprobabilistic Bingham distributionを採用 - 安定した最適化とquaternion symmetryの保持を狙う - trajectory alignment reward mechanismを導入 - 推定されたtightly-coupled trajectoryをreference trajectoryと定量的に比較評価 - automated data selection moduleでuninformative samplesを除去し、効率とスケーラビリティを改善

4. どうやって有効だと検証した?

- UAVs、UGVs、handheld platformsでのextensive experimentsを実施 - 従来のoptimization-based approachesとの比較で優位性を確認 - weak excitation条件下でも高精度calibrationが得られることを示す - 詳細な評価指標やデータセット名は要旨からは不明

5. 議論はある?

- structured targets不要・初期extrinsics不要という実用上の利点を主張 - weak excitationやonline calibrationの不安定性への対処を議論 - 具体的な限界、失敗ケース、計算コスト、収束性の詳細は要旨からは不明 - Bingham distribution採用の理論的利点以外の議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で比較対象とされるoptimization-based extrinsic calibration手法(具体名は要旨からは不明) - online calibrationおよびweak excitationに関する既存研究(具体名は要旨からは不明) - tightly-coupled odometry / trajectory alignment関連の定番研究 - Bingham distributionを用いた回転推定に関する研究 - 同分野の定番としてmulti-sensor fusionやLiDAR-camera calibrationの代表的手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Baorun Li, Chengrui Zhu, Siyi Du, Bingran Chen, Jie Ren, Wenfei Wang, Yong Liu, Jiajun Lv

分類: cs.RO

原文アブストラクト

Extrinsic calibration is essential for multi-sensor fusion, existing methods rely on structured targets or fully-excited data, limiting real-world applicability. Online calibration further suffers from weak excitation, leading to unreliable estimates. To address these limitations, we propose a reinforcement learning (RL)-based extrinsic calibration framework that formulates extrinsic calibration as a decision-making problem, directly optimizes $SE(3)$ extrinsics to enhance odometry accuracy. Our approach leverages a probabilistic Bingham distribution to model 3D rotations, ensuring stable optimization while inherently retaining quaternion symmetry. A trajectory alignment reward mechanism enables robust calibration without structured targets by quantitatively evaluating estimated tightly-coupled trajectory against a reference trajectory. Additionally, an automated data selection module filters uninformative samples, significantly improving efficiency and scalability for large-scale datasets. Extensive experiments on UAVs, UGVs, and handheld platforms demonstrate that our method outperforms traditional optimization-based approaches, achieving high-precision calibration even under weak excitation conditions. Our framework simplifies deployment on diverse robotic platforms by eliminating the need for high-quality initial extrinsics and enabling calibration from routine operating data. The code is available at https://github.com/APRIL-ZJU/learn-to-calibrate.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI