eKalibr-Inertial: Continuous-Time Spatiotemporal Calibration for Event-Based Visual-Inertial Systems
作者: Shuolong Chen, Xingxing Li, Liu Yuan
分类: cs.RO, cs.CV
发布日期: 2025-09-07
🔗 代码/项目: GITHUB
💡 一句话要点
提出eKalibr-Inertial，用于事件相机-惯性系统的连续时间时空标定
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 事件相机 视觉惯性系统 时空标定 连续时间优化 机器人感知
📋 核心要点
- 事件相机-惯性系统融合需要精确的时空标定，现有方法在精度和效率上存在挑战。
- eKalibr-Inertial利用圆形网格板，通过严谨初始化和连续时间优化实现精确标定。
- 真实实验表明，该方法能有效提升事件相机-惯性系统的时空标定精度。
📝 摘要（中文）
本文提出了一种名为eKalibr-Inertial的精确时空标定器，专门用于事件相机-惯性系统，并使用广泛应用的圆形网格板作为标定物。该方法建立在eKalibr和eKalibr-Stereo中的网格模式识别和跟踪方法之上，首先进行严谨而高效的初始化，从而准确恢复估计器中的所有参数。随后，进行基于连续时间的批优化，以改进初始化的参数，从而获得更好的状态估计。大量的真实世界实验结果表明，eKalibr-Inertial能够实现精确的基于事件的视觉-惯性时空标定。eKalibr-Inertial的实现已在(https://github.com/Unsigned-Long/eKalibr)上开源，以惠及研究社区。
🔬 方法详解
问题定义：事件相机和惯性测量单元(IMU)融合时，需要精确的时空标定（包括外参和时间偏移）。现有方法可能存在标定精度不足或效率不高的问题，尤其是在事件相机这种非传统视觉传感器上，标定难度更大。因此，如何准确高效地标定事件相机-惯性系统是一个关键问题。
核心思路：本文的核心思路是结合事件相机的特性，利用圆形网格板作为标定物，首先进行精确的初始化，然后通过连续时间的批优化来进一步提升标定精度。这种方法充分利用了事件相机高时间分辨率的优势，并借鉴了传统相机标定中的成熟技术。
技术框架：eKalibr-Inertial的整体框架包括以下几个主要阶段：1) 网格模式识别与跟踪：利用事件相机数据检测和跟踪圆形网格板。2) 初始化：基于检测到的网格板特征，进行严谨而高效的初始化，估计所有参数。3) 连续时间批优化：使用连续时间模型，对初始化后的参数进行优化，进一步提高标定精度。
关键创新：该方法的关键创新在于针对事件相机-惯性系统，提出了一种基于连续时间的时空标定方法。它结合了事件相机的高时间分辨率特性和传统相机标定的优点，通过精确的初始化和连续时间优化，实现了更高的标定精度。
关键设计：在初始化阶段，采用了严谨的参数估计方法，确保所有参数都能被准确恢复。在连续时间批优化阶段，使用了连续时间模型来描述事件相机和IMU的运动，并设计了合适的损失函数来优化标定参数。具体而言，损失函数可能包含事件重投影误差和IMU测量残差等。
🖼️ 关键图片
📊 实验亮点
论文通过大量真实世界实验验证了eKalibr-Inertial的有效性。实验结果表明，该方法能够实现精确的事件相机-惯性系统时空标定，并显著优于现有的标定方法。具体的性能数据（例如，标定误差的降低幅度）需要在论文中查找。
🎯 应用场景
该研究成果可广泛应用于机器人导航、无人机自主飞行、增强现实等领域。精确的事件相机-惯性系统标定能够提升运动估计的精度和鲁棒性，从而提高相关应用系统的性能。未来，该方法有望推动事件相机在更多实际场景中的应用。
📄 摘要（原文）
The bioinspired event camera, distinguished by its exceptional temporal resolution, high dynamic range, and low power consumption, has been extensively studied in recent years for motion estimation, robotic perception, and object detection. In ego-motion estimation, the visual-inertial setup is commonly adopted due to complementary characteristics between sensors (e.g., scale perception and low drift). For optimal event-based visual-inertial fusion, accurate spatiotemporal (extrinsic and temporal) calibration is required. In this work, we present eKalibr-Inertial, an accurate spatiotemporal calibrator for event-based visual-inertial systems, utilizing the widely used circle grid board. Building upon the grid pattern recognition and tracking methods in eKalibr and eKalibr-Stereo, the proposed method starts with a rigorous and efficient initialization, where all parameters in the estimator would be accurately recovered. Subsequently, a continuous-time-based batch optimization is conducted to refine the initialized parameters toward better states. The results of extensive real-world experiments show that eKalibr-Inertial can achieve accurate event-based visual-inertial spatiotemporal calibration. The implementation of eKalibr-Inertial is open-sourced at (https://github.com/Unsigned-Long/eKalibr) to benefit the research community.