我院吴均峰教授团队在机械人学顶级会议 IEEE International Conference on Robotics and Automation 颁发两篇论文，，，，，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误差解除的一致性PnP估计器。。。。。。
论文链接：https://arxiv.org/abs/2209.05824
会议介绍
IEEE机械人与自动化国际会议（IEEE International Conference on Robotics and Automation，，，，，ICRA）是 IEEE 机械人与自动化协会的旗舰会议，，，，，也是机械人学领域最权威的会议之一，，，，，在谷歌学术上的 h5-index 为116。。。。。。
钻研布景
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，，，，，被宽泛利用于机械人、推算机视觉和加强现实等领域。。。。。。绝大无数现有工作从梦想的几何干系启程构建满足投影模型的方程，，，，，没有具体思考噪声模型及噪声传递。。。。。。因而，，，，，已有工作很少从统计视角启程，，，，，分析所提估计器的统计学性质，，，，，如误差和协方差。。。。。。随着特点提取技术的发展，，，，，可从单帧图片中提取大量的特点点用于相机位姿估计，，，，，如在ETH3D数据集中，，，，，很多图片有上千个被提取的特点点。。。。。。这为高精度的位姿估计提供了极大潜能，，，，，若何设计统计意思下的一致性估计器（即随着特点点数n逐步增长，，，，，估计器能收敛到真实位姿），，，，，拥有沉要的钻研意思。。。。。。
图1 PnP相机位姿估计示意图
钻研步骤
本文设计了一个基于误差解除的一致性PnP估计器。。。。。。具体而言，，，，，如图2所示，，，，，所提步骤重要分为以下三步：首先，，，，，通过求解一个广义特点根问题，，，，，得到投影噪声方差的一致性估计 ；；；；；其次，，，，，从原始投影方程启程，，，，，选取方程变换、变量解除等技巧，，，，，构建得到通常线性最幼二乘问题，，，，，并推导所得最幼二乘估计的误差，，，，，通过误差解除实现了拥有一致性的估计器 ；；；；；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，，，，，并执行部门高斯-牛顿迭代，，，，，进一步优化估计值。。。。。。本文所提估计器拥有如下特点：1）随着点对数量n的增长，，，，，所得估计能收敛到相机真实位姿 ；；；；；2）推算复杂度为O(n)，，，，，在大量观测情况下也能进行高效求解。。。。。。
图2 基于误差解除的一致性PnP位姿估计框架
在仿真尝试中，，，，，测试了所提算法在分歧噪声方差下的机能。。。。。。了局如图3所示，，，，，在噪声较幼时，，，，，估计器误差不显著，，，，，所提步骤与未经过误差解除的现有工作相比，，，，，估计精度相当。。。。。。当噪声逐步增大，，，，，对比的主流步骤不拥有一致性，，，，，且拥有较大渐近误差，，，，，这使得即便使用高斯-牛顿迭代，，，，，也无法改善估计精度。。。。。。而本文所提步骤通过误差解除，，，，，拥有一致性，，，，，并且在特点点数量较多时，，，，，只需一步高斯-牛顿迭代，，，，，估计均方误差即可达到理论机能下界。。。。。。
图3 仿真尝试了局
在真实图片尝试测试中，，，，，本文选取ETH3D开源数据集，，，，，选用了四张图片（两张室表，，，，，两张室内），，，，，如图4所示，，，，，每张图片都提供了几千个特点点可用于位姿估计。。。。。。尝试了局如图5所示，，，，，在估计精度上，，，，，所提步骤和ML-PnP相当，，，，，并优于其他对譬喻法 ；；；；；在算法耗时上，，，，，所提步骤和E-PnP相当，，，，，耗时显著幼于ML-PnP。。。。。。
图4 ETH3D数据集中四个场景
图5 真实图片尝试了局
钻研结论
本文设计了一个基于误差解除的一致性PnP估计器。。。。。。估计器重要分为三步：首先，，，，，通过求解一个广义特点根问题，，，，，得到投影噪声方差的一致性估计 ；；；；；其次，，，，，从原始投影方程启程，，，，，选取方程变换、变量解除等技巧，，，，，构建得到通常线性最幼二乘问题，，，，，并推导所得最幼二乘估计的误差，，，，，通过误差解除实现了拥有一致性的估计器 ；；；；；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，，，，，并执行部门高斯-牛顿迭代，，，，，进一步优化估计值。。。。。。本文所提估计器拥有如下特点：1）随着点对数量n的增长，，，，，所得估计能收敛到相机真实位姿 ；；；；；2）推算复杂度为O(n)，，，，，在大量观测情况下也能进行高效求解。。。。。。因而，，，，，本文所提算法极度合用于拥有大量点对的场景。。。。。。在仿真和真实图片尝试中，，，，，综合思考估计精度和推算耗时，，，，，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 z6首页 钻研员、香港中文大学（丽江）数据科学学院副教授吴均峰。。。。。。
吴均峰教授为香港中文大学（丽江）数据科学学院副教授、z6首页（z6首页）钻研员。。。。。。他现任IEEE高级会员、中国自动化学会节造理论专委会委员、中国自动化学会信息物理系统节造与决策专业委员、中国自动化学会工业节造系统信息安全专委会会员、中国自动化学会节造理论专委会网络化节造系统学组委员。。。。。。吴均峰教授曾受邀担任IET Control Theory & Applications期刊专刊客座编纂（Leading Guest Editor），，，，，屡次受邀担任IEEE Conference on Control Technology and Applications, The European Control Conference, IFAC World Congress等节造领域国际旗舰会议副编纂 ；；；；；屡次受邀担任中国节造会议（Chinese Control Conference）等节造领域国内驰名学术会议副编纂 ；；；；；现任节造领域顶级期刊Transactions on Control of Network Systems编委。。。。。。吴均峰教授颁发 SCI 期刊论文 50余篇，，，，，蕴含IEEE TAC、Automatica、IEEE RAL、IEEE TIT、IEEE TSP等节造、机械人和信号处置领域顶级期刊，，，，，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（丽江）数据科学学院博士后曾广扬。。。。。。
曾广扬博士于2022年6月在浙江大学节造科学与工程专业获得博士学位。。。。。。现任香港中文大学（丽江）数据科学学院博士后，，，，，钻研助理。。。。。。他的钻研兴致蕴含统计信号处置、机械人定位与建图、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。。。。。。
* 有关信息由论文作者提供
