Extrinsic Calibration

También llamado: extrinsics, extrinsic parameters
Categoría: Foundations & spatial maths › Frames & transforms
Etiquetas: calibration, sensors, coordinate-frames, hand-eye, sensor-fusion

Determinar la pose de cuerpo rígido de un sensor respecto al robot o a otro sensor, para que las mediciones puedan situarse en un sistema de coordenadas común.

Definición

Calibración extrínseca (extrinsic calibration) estima la posición y la orientación, una transformación rígida en SE(3), de un sensor respecto a alguna referencia: la base del robot, el efector final, el cuerpo de un vehículo u otro sensor. Es independiente de la calibración intrínseca, que modela lo que ocurre dentro de un sensor, como la distancia focal o la distorsión de la lente de una cámara. Sin unos parámetros extrínsecos precisos, un punto detectado por una cámara no puede situarse correctamente en el sistema de referencia del robot, y los datos de varios sensores no pueden fusionarse.

Los métodos dependen de los sensores implicados. Una cámara en la mano (eye-in-hand camera) describe dónde se monta una cámara; la calibración extrínseca es el procedimiento que mide exactamente dónde la sitúa ese montaje. Para una cámara sobre un brazo robótico, la calibración mano-ojo (hand-eye calibration) lleva el brazo a muchas poses mientras la cámara observa un patrón fijo, y resuelve la ecuación AX = XB, donde A y B son movimientos relativos de la pinza y de la cámara y X es la transformación desconocida; Tsai y Lenz (1989) dieron una solución muy utilizada. La misma ecuación con términos distintos resuelve el caso de una cámara fija que observa un patrón sujetado por la pinza. La calibración cámara-LiDAR suele emparejar características de un patrón, como planos o bordes de un tablero, vistas por ambos sensores. La calibración cámara-IMU, como en la caja de herramientas Kalibr, estima la transformación y el desfase temporal entre los sensores a partir de una trayectoria continua. Muchos sistemas refinan después los parámetros extrínsecos en línea dentro de un estimador de estado.

Los pequeños errores extrínsecos tienen grandes efectos. Un error angular de medio grado desplaza un punto situado a un metro casi 9 mm, lo suficiente para fallar un agarre o desalinear un mapa fusionado. Los valores del CAD dan un punto de partida, pero rara vez coinciden con el robot construido, y los soportes se desplazan con los impactos, la temperatura y el mantenimiento. La buena práctica es recoger datos de calibración en una amplia variedad de poses, comprobar el resultado midiendo el error de reproyección o de alineación en datos reservados, y volver a comprobarlo tras cualquier cambio mecánico.

Por qué importa

Todo robot que combina la percepción con el movimiento o con otros sensores depende de la calibración extrínseca. Decide si una detección de la cámara cae donde va la pinza, si los datos del LiDAR y de la cámara coinciden y si una estimación de estado fusionada es coherente.

Aplicaciones clave

Calibración mano-ojo para cámaras montadas en la muñeca y cámaras fijas
Alineación cámara-LiDAR en vehículos y robots móviles
Calibración cámara-IMU para odometría visual-inercial
Conjuntos multicámara para captura de movimiento y reconstrucción 3D
Registro de cámaras fijas respecto a una celda de trabajo robótica

En la práctica

Un laboratorio monta una cámara de profundidad en la muñeca de un robot para el agarre. Imprime un tablero ChArUco, lo fija sobre la mesa y mueve el brazo por unas 25 poses que cubren distintas rotaciones, registrando en cada una la pose del efector final a partir de la cinemática directa y la pose del tablero a partir de la cámara. Un solucionador mano-ojo devuelve la transformación de la cámara a la brida. Para validarla, fusiona imágenes de profundidad de varias poses de la muñeca en una sola nube de puntos; con una buena calibración, la mesa y los objetos coinciden, mientras que con una mala las superficies aparecen duplicadas. También toca las esquinas del tablero con la punta de la pinza y compara esas posiciones con la estimación de la cámara, y acepta la calibración cuando el error es de unos pocos milímetros.

Ideas erróneas comunes

Las dimensiones del CAD son suficientes — las tolerancias de fabricación y los errores de montaje hacen que los parámetros extrínsecos medidos difieran de los valores de diseño
La calibración se hace una sola vez — los soportes se desplazan con el tiempo, así que los parámetros extrínsecos deben volver a comprobarse tras impactos o cambios de hardware
La calibración extrínseca y la intrínseca son el mismo paso — los parámetros intrínsecos modelan el propio sensor, los extrínsecos su pose; los errores en cualquiera de ellos corrompen al otro si se resuelven conjuntamente
Solo importa la transformación espacial — en sensores en movimiento, un desfase temporal entre flujos de datos causa errores parecidos a los de una pose incorrecta

Quién debería saberlo

Ingenieros de percepción e integración robótica
Ingenieros de sensores para vehículos autónomos
Desarrolladores de estimación de estado y SLAM
Investigadores que montan bancos de pruebas de manipulación

Tecnologías relacionadas

Kalibr
Calibración mano-ojo de OpenCV (OpenCV Hand-Eye Calibration)
Tableros ChArUco y AprilTag (ChArUco and AprilTag Boards)
MoveIt Calibration
ROS tf2

Términos relacionados

Proyectos relacionados

FAST-LIVO2: Fast, direct LiDAR-inertial-visual odometry from HKU-MARS, published in IEEE T-RO
GTSAM: Factor-graph optimization library powering many modern SLAM backends
AprilTag: The standard visual fiducial marker system for robot localization and pose estimation
Gazebo: Industry-standard open-source robotics simulator with multi-physics and ROS integration
image_pipeline: The standard ROS camera stack: calibration, rectification, stereo and depth

Vídeos

Camera Intrinsics and Extrinsics - 5 Minutes with Cyrill: Cyrill Stachniss
OpenCV Python Camera Calibration (Intrinsic, Extrinsic, Distortion): Kevin Wood | Robotics & AI