観測品質が重要：故障指向解析による頑健なマルチフィッシュアイカメラキャリブレーション

マルチフィッシュアイカメラシステムはロボティクスや自動運転、バーチャルリアリティなどの分野で広く利用されているが、リグのサイズやカメラ配置の多様性、視野角の増加に伴い、そのキャリブレーションは極めて困難である。既存のパイプラインは内部パラメータ、外部パラメータ、およびキャリブレーションボードの姿勢を同時最適化できるが、その成功は経験的な撮影ルールとソルバーに供給される観測の品質に大きく依存している。本論文では、故障指向解析によりこの依存性を体系的に調査する。著者らは、キャリブレーションの失敗が検出器の再現率や画像面分布の不均衡だけでは説明できず、内部パラメータの初期化が支配的な要因であることを明らかにした。具体的には、観測の動径スパンが限られている場合、焦点距離と魚眼投影形状パラメータが結合し、不良条件の更新を引き起こす。この洞察に基づき、CO-Calib（プラグイン型キャリブレーションデータ構築フレームワーク）を提案する。これは、ロバストな学習ベースのターゲット検出器とエラー解析ガイドによるフレーム選択を組み合わせ、初期化に適したアンカー、共視マルチカメラ制約、カバレッジ補完フレームを構築する。既存のキャリブレーションワークフローや最適化バックエンドを変更する必要はない。合成データおよび実マルチフィッシュアイシステムでの広範な実験により、CO-Calibは全体的な成功率を68.1%から99.3%に向上させ、外部パラメータの精度を高め、実世界でのキャリブレーション安定性を向上させることを示した。ソースコードはGitHubで公開される予定である。