新闻动态
吴均峰教授团队在ICRA2023发文，设计一个基于偏差消除的一致性PnP估计器
我院吴均峰教授团队在机器人学顶级会议 IEEE International Conference on Robotics and Automation 发表两篇论文，本文介绍题为 CPnP: Consistent Pose Estimator for Perspective-n-Point Problem with Bias Elimination 的论文。
我院吴均峰教授团队在机器人学顶级会议 IEEE International Conference on Robotics and Automation 发表两篇论文，本文介绍题为 CPnP: Consistent Pose Estimator for Perspective-n-Point Problem with Bias Elimination 的论文。
该文设计了一个基于偏差消除的一致性PnP估计器。
会议介绍
IEEE机器人与自动化国际会议（IEEE International Conference on Robotics and Automation，ICRA）是 IEEE 机器人与自动化协会的旗舰会议，也是机器人学领域最权威的会议之一，在谷歌学术上的 h5-index 为116。
研究背景
Perspective-n-Point（PnP）问题是指从n个3D-2D点对估计相机相对世界坐标系位姿，被广泛应用于机器人、计算机视觉和增强现实等领域。绝大多数现有工作从理想的几何关系出发构建满足投影模型的方程，没有具体考虑噪声模型及噪声传递。因此，已有工作很少从统计视角出发，分析所提估计器的统计学性质，如偏差和协方差。随着特征提取技术的发展，可从单帧图片中提取大量的特征点用于相机位姿估计，如在ETH3D数据集中，许多图片有上千个被提取的特征点。这为高精度的位姿估计提供了极大潜能，如何设计统计意义下的一致性估计器（即随着特征点数n逐渐增加，估计器能收敛到真实位姿），具有重要的研究意义。
图1 PnP相机位姿估计示意图
研究方法
本文设计了一个基于偏差消除的一致性PnP估计器。具体而言，如图2所示，所提方法主要分为以下三步：首先，通过求解一个广义特征根问题，得到投影噪声方差的一致性估计；其次，从原始投影方程出发，采用方程变换、变量消除等技巧，构建得到普通线性最小二乘问题，并推导所得最小二乘估计的偏差，通过偏差消除实现了具有一致性的估计器；最后，在一致性估计基础上，将旋转矩阵估计投影到特殊正交群，并执行局部高斯-牛顿迭代，进一步优化估计值。本文所提估计器具有如下特点：1）随着点对数量n的增加，所得估计能收敛到相机真实位姿；2）计算复杂度为O(n)，在大量观测情况下也能进行高效求解。
图2 基于偏差消除的一致性PnP位姿估计框架
在仿真实验中，测试了所提算法在不同噪声方差下的性能。结果如图3所示，在噪声较小时，估计器偏差不明显，所提方法与未经过偏差消除的现有工作相比，估计精度相当。当噪声逐步增大，对比的主流方法不具有一致性，且具有较大渐近偏差，这使得即使使用高斯-牛顿迭代，也无法改善估计精度。而本文所提方法通过偏差消除，具有一致性，并且在特征点数量较多时，只需一步高斯-牛顿迭代，估计均方误差即可达到理论性能下界。
图3 仿真实验结果
在真实图片实验测试中，本文采用ETH3D开源数据集，选用了四张图片（两张室外，两张室内），如图4所示，每张图片都提供了几千个特征点可用于位姿估计。实验结果如图5所示，在估计精度上，所提方法和ML-PnP相当，并优于其他对比方法；在算法耗时上，所提方法和E-PnP相当，耗时显著小于ML-PnP。
图4 ETH3D数据集中四个场景
图5 真实图片实验结果
研究结论
本文设计了一个基于偏差消除的一致性PnP估计器。估计器主要分为三步：首先，通过求解一个广义特征根问题，得到投影噪声方差的一致性估计；其次，从原始投影方程出发，采用方程变换、变量消除等技巧，构建得到普通线性最小二乘问题，并推导所得最小二乘估计的偏差，通过偏差消除实现了具有一致性的估计器；最后，在一致性估计基础上，将旋转矩阵估计投影到特殊正交群，并执行局部高斯-牛顿迭代，进一步优化估计值。本文所提估计器具有如下特点：1）随着点对数量n的增加，所得估计能收敛到相机真实位姿；2）计算复杂度为O(n)，在大量观测情况下也能进行高效求解。因此，本文所提算法非常适用于具有大量点对的场景。在仿真和真实图片实验中，综合考虑估计精度和计算耗时，与现有主流算法相比，所提算法优势显著。
作者简介
本文通讯作者为 AIRS 研究员、香港中文大学（深圳）数据科学学院副教授吴均峰。
吴均峰教授为香港中文大学（深圳）数据科学学院副教授、深圳市人工智能与机器人研究院（AIRS）研究员。他现任IEEE高级会员、中国自动化学会控制理论专委会委员、中国自动化学会信息物理系统控制与决策专业委员、中国自动化学会工业控制系统信息安全专委会会员、中国自动化学会控制理论专委会网络化控制系统学组委员。吴均峰教授曾受邀担任IET Control Theory & Applications期刊专刊客座编辑（Leading Guest Editor），多次受邀担任IEEE Conference on Control Technology and Applications, The European Control Conference, IFAC World Congress等控制领域国际旗舰会议副编辑；多次受邀担任中国控制会议（Chinese Control Conference）等控制领域国内知名学术会议副编辑；现任控制领域顶级期刊Transactions on Control of Network Systems编委。吴均峰教授发表 SCI 期刊论文 50余篇，包括IEEE TAC、Automatica、IEEE RAL、IEEE TIT、IEEE TSP等控制、机器人和信号处理领域顶级期刊，正式授权中国专利10项，美国专利1项。
本文第一作者为香港中文大学（深圳）数据科学学院博士后曾广扬。
曾广扬博士于2022年6月在浙江大学控制科学与工程专业获得博士学位。现任香港中文大学（深圳）数据科学学院博士后，研究助理。他的研究兴趣包括统计信号处理、机器人定位与建图、传感器网络等。担任IEEE RAL、ICRA、IEEE SPL、IEEE TWC、IEEE TII等期刊和会议的独立审稿人。
* 相关信息由论文作者提供
