PLS-Calib: 지면 제약 조건 하에서 이벤트 카메라 및 오도메트리 보정 시스템을 위한 부분 최소 제곱 프레임워크

PLS-Calib: A Partial Least Squares Framework for Event Camera and Odometry Calibration under Ground Motion Constraints

로봇 인식 시스템의 성능에 있어 센서 간 정확한 외부 회전 보정은 매우 중요합니다. 그러나 대부분 기존의 보정 기술은 모든 자유도를 활성화하기 위해 완전한 6-DoF(Degree of Freedom, 자유도) 움직임을 필요로 하며, 이는 제한된 움직임 능력을 가진 지면 제약 로봇에게는 종종 실현 불가능합니다. 이러한 제한적인 환경을 위한 최근 접근 방식인 Canonical Correlation Analysis (CCA, 정규 상관 분석) 기반 방법은 불안정한 공분산 행렬 문제를 겪어 수치적 불안정성을 야기하고 최적의 보정 정확도를 달성하지 못합니다. 이러한 한계를 극복하기 위해, 본 논문에서는 부분 최소 제곱(PLS, Partial Least Squares) 회귀를 사용하여 비동기 및 이질적인 센서 스트림 간의 잠재적인 운동 상관 관계를 모델링하는 새로운 회전 보정 프레임워크인 PLS-Calib을 제안합니다. 구체적으로, 본 방법론은 지면 로봇에 탑재된 이벤트 카메라와 오도메트리의 보정에 적용됩니다. 이벤트 기반 패턴 감지를 개선하기 위해, 공간적-시간적 대비를 향상시키는 원형 보정 타겟에서의 극성(polarity) 인지 이벤트 표현 방식을 도입했습니다. 본 논문의 PLS 기반 공식은 CCA 기반 접근 방식에서 나타나는 행렬 특이점 문제를 피하는 폐구 형태의 안정적인 해를 제공합니다. 합성 데이터 및 실제 환경 데이터를 사용한 광범위한 실험 결과는 제안된 방법론의 효과성을 입증하며, 최첨단 방법보다 보정의 견고성 및 정확도가 크게 향상되었음을 보여줍니다. 본 연구는 제한된 로봇 시스템에서의 회전 보정을 위한 실용적이고 이론적으로 뒷받침되는 솔루션을 제공하며, 신경 모방 시각에 통계 학습 기술을 적용하는 새로운 방향을 제시합니다.

Accurate extrinsic rotation calibration between sensors is fundamental to the performance of robotic perception systems. However, most existing calibration techniques rely on full 6-DoF motion to excite all degrees of freedom, which is often infeasible for ground-constrained robots with limited motion capabilities. Recent approaches designed for such restricted settings, such as Canonical Correlation Analysis (CCA)-based methods, suffer from ill-conditioned covariance matrices that lead to numerical instability and suboptimal calibration accuracy. To overcome these limitations, we present a novel rotation calibration framework named PLS-Calib that, for the first time, leverages Partial Least Squares (PLS) regression to model the latent kinematic correlations between asynchronous, heterogeneous sensor streams. Specifically, we apply our method to the calibration of an event camera and an odometry onboard a ground robot. To improve event-based pattern detection, we introduce a polarity-aware event representation, which enhances spatiotemporal contrast in circular calibration targets. Our PLS-based formulation yields a closed-form, stable solution that avoids matrix singularities inherent in CCA-based approaches. Extensive experiments on both synthetic and real-world datasets validate the effectiveness of our approach, demonstrating significant improvements in calibration robustness and accuracy over state-of-the-art methods. This work offers a practical and theoretically grounded solution for rotation calibration in constrained robotic systems and opens up new directions for applying statistical learning techniques in neuromorphic vision.