Importance des paramètres de calibrage extrinsèque

L’amélioration de la qualité des données en post-traitement, ou affinement de données, est un domaine de recherche vaste et très suivi par la communauté : le but est le plus souvent de compenser certaines faiblesses des systèmes d’acquisitions en supprimant des erreurs introduites pendant le processus d’obtention des données, ou tout du moins en les réduisant. Le but de ces méthodes est généralement de lisser les données, ou de réduire les erreurs introduites lors de l’obtention de ces données : il s’agit de méthodes utilisées en pré-traitement d’autres applications où une bonne précision des données en entrée est requise.Dans ce chapitre, nous présentons une méthode qui permet d’améliorer la qualité de jeux de données nuages de points : il s’agit de l’affinement de données de type nuages de points par optimisation des paramètres de calibrage extrinsèque. Ce chapitre est organisé de la façon suivante : dans un premier temps, nous montrons les effets d’un mauvais calibrage extrinsèque sur le rendu et l’exploitation des données issues d’une cartographie mobile ; ensuite, nous présentons une synthèse des travaux existants dans le domaine de l’optimisation du calibrage extrinsèque ; la section suivante traitera de la méthode d’optimisation que l’on a mise au point et de son principe, suivi d’une section présentant différents résultats d’optimisation ; enfin, nous évoquerons quelques facteurs limitants de notre algorithme. Aussi, il convient de noter que la méthode d’optimisation que l’on va présenter est applicable à des systèmes équipé de plusieurs LIDARs, ou d’un capteur LIDAR multi-fibres car nous utilisons la redondance de données entre plusieurs sources pour optimiser les paramètres de calibrage extrinsèque. Pour avoir une cartographie correcte à l’issue d’une acquisition mobile, le calibrage extrinsèque occupe une place centrale : en effet, sur un véhicule mobile de cartographie équipé d’un capteur LIDAR, le capteur laser permet d’acquérir les données, qui sont référencées en coordonnées sphé- riques le plus souvent ; une fois que les données sont référencées dans le repère cartésien du capteur, il y a une transformation extrinsèque pour représenter les données dans le repère du véhicule, le repère « body ». La figure 2.6 illustre cette transformation, avec la rotation R et la translation T entre les deux repères. Avec un mauvais calibrage extrinsèque, après projection dans les repères body puis monde, les données ne seront pas correctement géoréférencées, faussant la cartographie et l’ensemble des traitements prévus sur les données.

Effets d’un mauvais étalonnage des paramètres extrinsèques sur les données

Un mauvais étalonnage des paramètres extrinsèques implique une projection des données dans le repère body erronée. Dans un premier temps, si l’on a une erreur au niveau des paramètres de translation, le problème qui apparaît est une translation de l’ensemble des données avec un offset constant, qui est égal à la valeur de l’erreur dans le cas d’un capteur mono-fibre ; dans le cas d’un capteur multi-fibres, comme présenté en figure 3.1, on a le même résultat pour chaque fibre du capteur. La sous-figure a) présente le nuage avec un étalonnage correctement effectué, et la sous- figure b) un zoom sur un plan vertical du nuage. On voit avec la sous-figure c) les effets d’une erreur sur les paramètres de translations : le plan est déformé, mais les données de chaque fibre restent consistantes entre elles. L’erreur appliquée est de quelques dizaines de centimètres, entre 20 et 30 centimètres selon l’axe. Avec la sous-figure d), on montre les déformations introduites avec une erreur sur les paramètres de rotations extrinsèque. Chaque point du nuage est acquis dans une certaine direction du capteur LIDAR, et une erreur sur la rotation extrinsèque déforme les données de manière non consistante, au contraire d’une erreur sur la translation extrinsèque. La sous-figure d) illustre ce type d’erreur : cette fois-ci, on remarque très nettement la déformation par rapport à la sous-figure b). L’erreur que l’on illustre sur cette figure est de quelques degrés, entre 2 et 3 degrés.Il existe plusieurs types de capteurs LIDAR, que l’on peut séparer en deux catégories princi- pales comme présenté en section 2.2.3. Par conséquent, on trouve aussi de nombreuses méthodes de calibrage des systèmes d’acquisitions équipés de capteur LIDARs, car la plupart des systèmes em- barquent un ou plusieurs capteurs, et nécessitent un calibrage spécifique. En effet, si on s’intéresse aux systèmes comportant au moins un capteur laser, on trouve quelques configurations particu- lières : par exemple, Huang [Huang et Barth, 2009] présente un système utilisé pour effectuer des acquisitions, qui est composé d’une caméra et de deux capteurs lasers 3D. Pour l’étalonnage, une mire est utilisée, et les paramètres des deux types de capteurs sont estimés en même temps. Dans le même style, Mazzei [Mazzei et al., 2012] propose une méthode d’étalonnage des paramètres de calibrage pour un système hybride caméras/LIDAR, composé de sept caméras et quatre capteurs lasers 2D et 3D. Leur approche utilise des marqueurs au sol dont la position est connue précisément, pour effectuer l’étalonnage des paramètres de calibrage extrinsèque du système complet. L’idée par- ticulière est que pour les lasers, il y en a un « principal », qui est positionné à l’avant du véhicule, et il y a les autres lasers : l’étalonnage des lasers restants se fait en s’aidant des données issues du capteur laser principal, qui est calibré à l’aide d’une vérité terrain. Enfin, on peut aussi noter l’article de Maddern [Maddern et al., 2012], qui présente un système composé d’un capteur laser 3D et de deux capteurs laser 2D. Selon les auteurs, leur méthode fonctionne pour des configurations composées d’un capteur laser 3D et de n capteurs laser 2D.