相机-IMU标定结果准确性判断

饭来_

于 2024-11-13 00:31:44 发布

阅读量1.6k

点赞数 25

分类专栏：传感器文章标签：相机性能优化

版权

7 篇文章

订阅专栏

一、简介

本文主要是记录在使用Kalibr标定工具，对相机以及imu联合标定过程中，标定结果是否可信的判断依据。相关判断标准不完全准确，也并非直接引用自特定文档或研究，只是VIO标定的一些通用经验值，参考了ChatGPT整理的相关信息。
这些经验值并不是严格的标准，而是用于帮助判断标定结果是否合理的指导性建议。由于每个系统、传感器和应用场景的精度需求不同，实际的误差范围通常是结合业界经验，以及相关文献中提到的数值推导出的参考范围。因此本文的内容仅供参考，不能完全作为实际依据。
事实上，不准确的标定参数会直接影响视觉和IMU的融合，导致轨迹估计出现累积误差。在算法的优化过程中，不准确的内参和外参会使融合数据产生系统性偏差，影响最终的位姿估计质量。
标定是一项非常重要的工作，也是很多算法想要获得较为精准的结果的基础。但很多时候自己标定的结果并不尽如人意。除了不断尝试之外，将专业的事情交给专业的人去做也是一个不错选择。

这是衡量标定结果准确性的重要指标。重投影误差表示模型预测的点在图像中的位置和实际测量点之间的平均偏差，通常以像素为单位。
通常情况下，重投影误差越小，标定结果越准确。一般来说，小于1像素的误差均值是理想的，越接近0越好。
如果标准差超过0.5像素，可能意味着标定图像的质量不高、特征点检测存在误差或标定过程中的姿态不够丰富。
在相机标定中，参数的波动范围（或不确定性）通常依赖于相机的分辨率、镜头质量、标定环境和标定方法，但一般有一些经验范围可以参考：
指标 很理想可接受不够准确
均值 < 0.1 像素 < 0.5 像素 > 1 像素
标准差 < 0.3 像素 < 0.5 像素 -
在Kalibr的标定结果中，残差通常比归一化残差更值得关注，因为残差提供了实际误差的物理单位，能更直接地反映传感器误差对系统性能的影响。
归一化残差是一种无量纲的误差评估方法，消除尺度因素，因此更适合在不同标定实验、不同数据集之间的相对比较。
图中的标定结果，来自使用kalibr进行相机与IMU联合标定输出的xx-xx-report-imucam.pdf文档。

`指标`	很理想	可接受	不够准确
均值	`< 0.1` 像素	`< 0.5` 像素	`> 1` 像素
标准差	`< 0.3` 像素	`< 0.5` 像素	-

焦距和主点位置的不确定性范围通常应控制在以下范围：

指标	很理想	备注
焦距不确定性	`< f*1%`	焦距为500时,不确定性小于5，大于这个范围可能意味着标定不够精确或稳定性较差
主点位置不确定性	`< 1-2` 像素	通常与相机分辨率相关，不确定性过大会影响图像的几何准确性

畸变参数的不确定性反映了标定中对镜头畸变校正的准确度，误差越小表示校正越精确。
畸变参数的不确定性相对较难给出统一标准，因为它取决于镜头的畸变程度，这里只介绍径向-切向畸变模型，通常控制在：
指标很理想
径向畸变 < 0.01
切向畸变 < 0.001
如果不确定性高于这些值，可能说明畸变校正结果不稳定，需要重新标定或选择更好的标定板或着是调整拍摄角度。
图中的标定结果，来自使用kalibr标定相机输出的xx-xx-report-cam.pdf文档。

指标	很理想
径向畸变	`< 0.01`
切向畸变	`< 0.001`

IMU的误差越小，说明IMU内参标定得越准确。如果这些误差较大，可能导致系统的定位和跟踪精度下降
这里主要关注均值和标准差，陀螺仪误差的标准差如果超过0.02 rad/s，可能表示陀螺仪的标定不够准确，可能受到了噪声或IMU数据的漂移影响，理想范围是：
指标均值标准差
陀螺仪误差 < 0.02 rad/s < 0.01 rad/s
图中的标定结果，来自使用kalibr联合标定输出的xx-xx-report-imucam.pdf文档。

指标	均值	标准差
陀螺仪误差	`< 0.02` rad/s	`< 0.01` rad/s

加速度计误差的标准差如果高于0.03 m/s²，则可能需要检查IMU的安装方式或标定数据的质量。理想范围是：
指标均值标准差
加速度计误差 < 0.05 m/s² < 0.02 m/s²
图中标定结果，来自使用kalibr联合标定输出的xx-xx-report-imucam.pdf文档。

指标	均值	标准差
加速度计误差	`< 0.05` m/s²	`< 0.02` m/s²

所有误差的平均值和标准差都小：均值和标准差越小，标定结果越可靠。通常来说，重投影误差和IMU误差的均值和中位数越小，且标准差较低，表明误差分布稳定，标定模型拟合效果好。
误差在理想范围内：上述的误差理想范围只是一个大概的经验值。实际使用中，如果误差超出理想范围，可能需要检查标定数据的质量或增加标定拍摄的角度、数量等，以提高标定精度。
视觉检测：还可以通过可视化误差分布或轨迹来验证标定效果，比如查看重投影图像，确认特征点是否落在预期位置。
根据这些原则，可以综合误差值判断标定的准确性，但并不绝对，很多时候无法追求所有的标定值均满足标准，应该结合算法的实际表现进行评估是否需要调整标定内容。