TESO：確率的最適化による本質行列のオンライン追跡
arXiv cs.CV / 2026/4/22
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- 本論文では、自動運転の認識においてステレオカメラ校正パラメータの長期的な精度を維持するための手法として、TESO（確率的最適化による本質行列のオンライン追跡）を提案する。
- TESOは、暫定対応に対するカーネル相関ベースの頑健な損失関数と、本質多様体上に制約した適応的なオンライン確率的最適化を中核としている。
- 本手法は軽量設計で、CPU/メモリ要求が小さく、ハイパーパラメータも少なく、データ駆動の学習を不要とするため、リソース制約のあるオンライン認識システムに適している。
- 実験では、MAN TruckScenesでY軸の回転校正ドリフトを0.12°精度で追跡でき、X・Z軸ではさらに高い精度を達成し、シミュレーションによるドリフト追跡でも追跡器がバイアスを持たないことを示唆している。
- KITTIではステレオペア間の外部パラメータに系統的な不整合があることをTESOが明らかにし、参照校正を補正した後は、Y軸回転精度が0.025°、深度精度が50倍改善することを示す。さらに、提案損失の直接最適化だけでニューラルネット単一フレーム法と同等の精度を得られると報告している。
