觀察質量至關重要：通過面向失敗分析實現魯棒的多魚眼相機標定

多魚眼相機系統在機器人、自動駕駛和虛擬現實等領域中廣泛應用，但其標定過程隨着設備尺寸、相機佈局多樣性和視場角的增加而變得極具挑戰。現有的標定流水線通常能夠聯合優化內參、外參和標定板位姿，但這些方法的成功高度依賴於經驗性的拍攝規則以及提供給優化求解器的觀測質量。本文通過面向失敗的分析系統研究了這種依賴性。作者發現，標定失敗的主要原因並非檢測器召回率損失或全局圖像平面分佈不平衡，而是內參初始化問題。具體而言，當觀測數據的徑向跨度有限時，焦距與魚眼投影形狀參數會發生耦合，導致病態的更新過程，從而引發標定失敗。基於這一洞察，論文提出了CO-Calib——一個即插即用的標定數據構建框架。該框架結合了基於學習的魯棒目標檢測器和錯誤分析引導的幀選擇器，能夠構建初始化友好的錨點、多相機共視約束以及覆蓋補全幀，而無需改變現有的標定工作流或優化後端。在合成數據和真實多魚眼系統上的大量實驗表明，CO-Calib將整體標定成功率從68.1%提升至99.3%，同時提高了外參精度並增強了實際標定穩定性。該框架的源代碼將在GitHub上公開。