Improved double-pass measurement method for detecting right-angle errors of corner cube prisms
-
摘要:
传统的角锥棱镜二面角直角误差测量是基于斐索干涉系统使用单光程法对角锥进行直接测量，存在多次逆反射导致的系统像差以及调节参考镜倾斜引入的误差。采用一种改进型的双光程测法，可以匹配参考光和测试光的不规则性，进而消除系统像差的影响，且无需调整参考镜。实验使用斐索干涉仪，分别采用传统方法和改进型方法对同一角锥样品进行测量。单光程测量法得到二面角直角误差分别为0.978 5 μrad，1.536 8 μrad以及−0.355 8 μrad；双光程测量法得到二面角直角误差分别为0.638 3 μrad，1.260 9 μrad以及−0.311 3 μrad。实验结果验证了双光程测量法比单光程测量法更为准确。
Abstract:The traditional method for measuring the right-angle error of a corner cube prism involves using the Fizeau interferometric system with a single-pass method. However, this method has some limitations, including the presence of systematic aberrations caused by multiple retro-reflections and errors introduced by adjusting the tilt of the reference mirror. An improved double-pass method was used to measure the right-angle error of a corner cube prism. This method could match the irregularities of the reference light and the test light, which eliminated the effect of systematic aberration and eliminated the need to adjust the reference mirror. Experiments were carried out using a Fizeau interferometer to measure the same corner cube prism using the traditional method and the improved method. Single-pass measurements result in dihedral angle errors of 0.978 5 μrad, 1.536 8 μrad, and −0.355 8 μrad, respectively. Double-pass measurements result in dihedral angle errors of 0.638 3 μrad, 1.260 9 μrad, and −0.311 3 μrad. The experimental results verify that the double-pass measurement method is more accurate than the single-pass measurement method.
-
引言
利用相机对位置已知的控制点进行拍摄，通过拍摄得到的二维图像解算相机在世界坐标系下的位置和姿态，称为位姿估计问题，是机器人导航、计算机视觉等领域[1-3]的核心问题之一。位姿估计根据计算方法分为2种方式[4]：第一种一般通过解算一组与旋转参数和平移参数相关的多项式，进而获得位姿估计结果[5]，这类方法对于噪声敏感[3]，估计性能有限；另一种通常称为迭代类算法，这种算法通过建立代价函数[6]，将位姿估计问题转换为非线性最小二乘优化问题，然后利用Gauss-Newton[7]、Levenberg-Marquardt等方法进行位姿参数的估计，这类算法能够综合利用多点的冗余信息[8]，增加了估计的鲁棒性，迭代算法中还有一种称为正交迭代(orthogonal iteration, OI)算法，该算法将物空间共线性误差的最小化视为求解绝对定向问题，然后利用迭代方式进行参数估计[9]，这种方法计算量较小，速度较快[10]，并保证了全局收敛性，但是性能略逊于传统迭代算法。
传统迭代算法是从信号的测量误差出发[11]，利用误差最小化的原则建立代价函数，从而得到估计值。这一类算法是一种最小二乘估计，试图使采样得到的信号和无噪声情况下的数据之差的平方达到最小，这一类方法对采样数据不做任何的统计假设，性能取决于噪声的特性，并且往往不是最佳估计，而由于没有对信号做任何统计假设，估计的统计性能是无法评价的[12]。由于相机拍摄的不确定性，图片采样所得的像素信号应视为随机信号，本文从随机信号的统计特性出发，根据采样信号的概率密度推导了最大似然位姿估计的一般形式。从理论上证明了利用单幅图像，在各向同性高斯噪声情况下传统迭代算法等效于最大似然估计，因此在理论上传统迭代算法只能应用于各向同性高斯噪声，对于复杂噪声，将会产生模型误差，导致算法失效。本文的最大似然算法将是推导复杂噪声下的位姿估计的基础；另外，根据信号的Fisher信息阵推导了位姿估计的克拉美-罗界(Cramér-Rao bound, CRB)，作为任何无偏估计的方差下界，克拉美-罗界可以作为位姿估计方法有效性的评价标准，并且根据所得结果可知，通过适当增加采样个数可以有效提高估计的性能。这是由于通过采样信号个数的增加，可以更好地估计随机噪声的统计特性，从而减小随机噪声对于估计的影响。
1 信号模型
假设有n个控制点，其在世界坐标系中的坐标为piw，i=1, 2, …, n，它们在相机坐标系下的坐标为pic，i=1, 2, …, n，相机对控制点进行拍摄，可以得到像平面上的n个像点，像点在图像坐标系下的物理坐标为pip，i=1, 2, …, n，在图像坐标系下的像素坐标为(ui, vi)T，如图 1所示。在k时刻对控制点进行拍摄，考虑采样过程的随机噪声影响，则观测量为如下随机向量：
$$ \begin{array}{l} s\left( k \right) = \left[ {{{\hat u}_1}\left( k \right),{{\hat v}_1}\left( k \right),{{\hat u}_2}\left( k \right),{{\hat v}_2}\left( k \right), \cdots ,} \right.\\ \;\;\;\;\;\;\;\;\;\;\;\;{\left. {{{\hat u}_n}\left( k \right),{{\hat v}_n}\left( k \right)} \right]^{\rm{T}}} = \mathit{\boldsymbol{m}}\left( k \right) + \mathit{\boldsymbol{n}}\left( k \right) \end{array} $$ (1) 式中：k=1, 2, ..., K, 其中:
$$ \begin{array}{l} \mathit{\boldsymbol{m}}\left( k \right) = \left[ {{u_1}\left( k \right),{v_1}\left( k \right),{u_2}\left( k \right),{v_2}\left( k \right), \cdots } \right.\\ \;\;\;\;\;\;\;\;\;\;\;\;\;{\left. {{u_n}\left( k \right),{v_n}\left( k \right)} \right]^{\rm{T}}} \end{array} $$ (2) 世界坐标与相机坐标存在以下关系：
$$ \mathit{\boldsymbol{p}}_i^c\left( k \right) = \mathit{\boldsymbol{R}}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + \mathit{\boldsymbol{t}}\left( k \right) $$ (3) 由共线方程可以得到：
$$ \left\{ \begin{array}{l} \frac{{x_i^p\left( k \right) - x_o^p}}{f} = \frac{{x_i^c\left( k \right)}}{{z_i^c\left( k \right)}}\\ \frac{{y_i^p\left( k \right) - y_o^p}}{f} = \frac{{y_i^c\left( k \right)}}{{z_i^c\left( k \right)}} \end{array} \right. $$ (4) 式中(xop, yop)T为图像主点I在图像坐标系下的物理坐标，则像素坐标系与世界坐标系的转换关系可以表示为
$$ \left\{ \begin{array}{l} {u_i}\left( k \right) = \frac{f}{{{d_x}}}\;\frac{{{\mathit{\boldsymbol{r}}_1}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_x}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{x_o^p}}{{{d_x}}}\\ {v_i}\left( k \right) = \frac{f}{{{d_y}}}\;\frac{{{\mathit{\boldsymbol{r}}_2}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_y}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{y_o^p}}{{{d_y}}} \end{array} \right. $$ (5) 式中：tx(k)、ty(k)、tz(k)分别为t (k)从上到下的3个元素；r1(k)、r2(k)、r3(k)分别为R (k)的从上到下的3个横向量；R可以用3个欧拉角表示。假设在K次拍摄过程中，相机的姿态、控制点的世界坐标保持不变，即m不随时间变化，则采样信号可以表示为
$$ \mathit{\boldsymbol{s}}\left( k \right) = \mathit{\boldsymbol{m}} + \mathit{\boldsymbol{n}}\left( k \right) $$ (6) 2 最大似然估计
最大似然估计是一种使用了信号概率模型的方法，其基本思想是参数的估计值应是使观测信号概率最大的值。假设信号为高斯随机变量，噪声的均值为零，则m即为观测量s(k)的均值，根据概率论可知，k时刻观测量的概率密度为[13]
$$ \begin{array}{l} {p_{s\left( k \right)}} = \frac{1}{{\det \left( {{\rm{ \mathit{ π} }}{\mathit{\boldsymbol{Q}}_s}} \right)}}\exp \left\{ { - \left[ {{\mathit{\boldsymbol{s}}^H}\left( k \right) - } \right.} \right.\\ \;\;\;\;\;\;\;\;\left. {\left. {{\mathit{\boldsymbol{m}}^H}} \right]\mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}} \right]} \right\} \end{array} $$ (7) 式中：det(·)表示矩阵的行列式；Qs为随机信号s的方差。与待估计参数无关，待估计参数表示为
$$ \mathit{\boldsymbol{\theta }} = {\left[ {\alpha ,\beta ,\gamma ,{t_x},{t_y},{t_z}} \right]^{\rm{T}}} $$ (8) 则m(θ)表示为θ的函数，假设K次拍摄是统计独立的，则K次拍摄观测值的联合密度函数为
$$ \begin{array}{l} {p_{s\left( 1 \right),s\left( 2 \right), \cdots ,s\left( k \right)}} = \mathop \Pi \limits_{k = 1}^k \frac{1}{{\det \left( {{\rm{ \mathit{ π} }}{\mathit{\boldsymbol{Q}}_s}} \right)}}\exp \left\{ { - \left[ {{s^H}\left( k \right) - } \right.} \right.\\ \;\;\;\;\;\;\;\;\left. {\left. {{\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} \right\} \end{array} $$ (9) 对等号两边求自然对数，去掉常数项并除以K，得到似然函数为
$$ \begin{array}{l} L\left( \mathit{\boldsymbol{\theta }} \right) = - \ln \left[ {\det \left( {{\mathit{\boldsymbol{Q}}_s}} \right)} \right] - \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - } \right.} \\ \;\;\;\;\;\;\;\;\;\;\;\left. {{\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left. {\mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} \right\} \end{array} $$ (10) (10) 式的第二项可以表示为
$$ \begin{array}{l} \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \theta \right)} \right]} \mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right] = \\ \rm{tr}\left\{ {\frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \theta \right)} \right]} \mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {s\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} \right\} = \\ \rm{tr}\left\{ {\mathit{\boldsymbol{Q}}_s^{ - 1}\frac{1}{K}\sum\limits_{k = 1}^K {\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} } \right\} = \\ \rm{tr}\left\{ {\mathit{\boldsymbol{Q}}_s^{ - 1}{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} \end{array} $$ (11) 式中：tr{·}表示取矩阵的迹；Cs(θ)定义为信号相关矩阵：
$$ {\mathit{\boldsymbol{C}}_s}\left( \theta \right) \buildrel \Delta \over = \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} $$ (12) 于是得到似然函数：
$$ L\left( \theta \right) = - \ln \left[ {\det \left( {{\mathit{\boldsymbol{Q}}_s}} \right)} \right] - \rm{tr}\left\{ {\mathit{\boldsymbol{Q}}_s^{ - 1}{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} $$ (13) (13) 式为最大似然估计的一般形式，使似然函数最大的参数θ即为位姿估计的最大似然估计，可以通过搜索或者更高效的迭代算法计算。
当噪声为各向同性的高斯噪声时，Qs=δw2I，δw2为噪声功率，似然函数可以表示为
$$ L\left( \theta \right) = - 2n\ln \delta _w^2 - \frac{1}{{\delta _w^2}}{\rm{tr}}\left\{ {{C_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} $$ (14) 由于似然函数取最大值的必要非充分条件为
$$ \frac{\partial }{{\partial \delta _w^2}}L\left( \mathit{\boldsymbol{\theta }} \right) = 0 $$ (15) $$ \delta _w^2 - \frac{{\rm{tr}\left\{ {{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\}}}{{2n}} $$ (16) 将上式代入似然函数，去除常数项并除以2n，似然函数化简为
$$ L\left( \mathit{\boldsymbol{\theta }} \right) = - {\rm{lntr}}\left\{ {{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} $$ (17) 根据Cs(θ)的定义，求似然函数的最大值等效于求下式的最小值：
$$ \begin{array}{l} \rm{tr}\left\{ {{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} = \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{s^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left[ {s\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} = \\ \frac{1}{K}{\sum\limits_{k = 1}^K {\sum\limits_{i = 1}^n {\left[ {\left( {{{\hat u}_i}\left( k \right) - \frac{f}{{{d_x}}}\;\frac{{{\mathit{\boldsymbol{r}}_1}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_x}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{x_o^p}}{{{d_x}}}} \right)} \right.} } ^2} + \\ \left. {{{\left( {{{\hat v}_i}\left( k \right) - \frac{f}{{{d_y}}}\;\frac{{{\mathit{\boldsymbol{r}}_2}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_y}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{y_o^p}}{{{d_y}}}} \right)}^2}} \right] \end{array} $$ (18) 利用单幅图像时，上式与传统的迭代算法等效，因此，利用单幅图像时，在各向同性高斯噪声情况下传统迭代算法与最大似然算法等效。值得注意的是，上述结果是在(16)式的情况下得到的，即位姿估计是在噪声功率估计的基础上实现的，所以增加信号的采样，提高对噪声统计特性的估计，有利于提高参数估计的性能。
3 克拉美-罗界分析
为了了解参数估计的潜在性能，可以利用克拉美-罗界作为评价标准。克拉美-罗界给出了参数所有无偏估计的方差极限[14]，将估计误差的方差表示为C(θ)，对于所有无偏估计，有关系式：
$$ \mathit{\boldsymbol{C}}\left( \mathit{\boldsymbol{\theta }} \right) \ge {\mathit{\boldsymbol{C}}_{{\rm{CR}}}}\left( \mathit{\boldsymbol{\theta }} \right) $$ (19) 式中CCR(θ)表示克拉美-罗界，克拉美-罗界可以通过求解Fisher信息阵J的逆矩阵求得：
$$ {\mathit{\boldsymbol{C}}_{CR}}\left( \mathit{\boldsymbol{\theta }} \right) = {\mathit{\boldsymbol{J}}^{ - 1}} $$ (20) Fisher信息阵J中的元素为
$$ {\left[ \mathit{\boldsymbol{J}} \right]_{i,j}} = E\left[ {\frac{{\partial L\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _i}}}\;\frac{{\partial L\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _j}}}} \right] $$ (21) 通过对(13)式求偏导并取期望可以得到[J]i, j通用的形式(推导可参见文献[15])：
$$ \begin{array}{l} {\left[ \mathit{\boldsymbol{J}} \right]_{i,j}} = K\rm{tr}\left[ {\mathit{\boldsymbol{Q}}_s^{ - 1}\frac{{\partial {\mathit{\boldsymbol{Q}}_s}}}{{\partial {\theta _i}}}\mathit{\boldsymbol{Q}}_s^{ - 1}\;\frac{{\partial {\mathit{\boldsymbol{Q}}_s}}}{{\partial {\theta _j}}}} \right] + \\ \;\;\;\;\;\;\;\;\;\;\;\;2K{\mathop{\rm Re}\nolimits} \left[ {\frac{{\partial {\mathit{\boldsymbol{m}}^H}\left( \theta \right)}}{{\partial {\theta _i}}}\mathit{\boldsymbol{Q}}_s^{ - 1}\;\frac{{\partial \mathit{\boldsymbol{m}}\left( \theta \right)}}{{\partial {\theta _j}}}} \right] \end{array} $$ (22) (22) 式为Fisher信息阵的一般化形式，是许多克拉美-罗界推导的起点，需要注意的是，通常方差Qs是一个未知矩阵，因此上式应该包含方差的未知参数。
在位姿估计问题中，由于(22)式的第1项只与方差所含未知参数有关，第2项只与待估计参数有关，可以将Fisher信息阵分块：
$$ \mathit{\boldsymbol{J = }}\left[ \begin{array}{l} {\mathit{\boldsymbol{J}}_{{Q_s}{Q_s}}}\;\;\;\;0\\ 0\;\;\;\;\;\;\;\;{\mathit{\boldsymbol{J}}_{00}} \end{array} \right] $$ (23) $$ {\left[ {{\mathit{\boldsymbol{J}}_{{Q_s}{Q_s}}}} \right]_{i,j = }}K{\rm{tr}}\left[ {\mathit{\boldsymbol{Q}}_s^{ - 1}\frac{{\partial {\mathit{\boldsymbol{Q}}_s}}}{{\partial {q_i}}}\mathit{\boldsymbol{Q}}_s^{ - 1}\;\frac{{\partial {Q_s}}}{{\partial {q_j}}}} \right] $$ (24) $$ {\left[ {{\mathit{\boldsymbol{J}}_{00}}} \right]_{i,j}} = 2K{\mathop{\rm Re}\nolimits} \left[ {\frac{{\partial {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _i}}}Q_s^{ - 1}\;\frac{{\partial \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _j}}}} \right] $$ (25) 式中qi为方差所含的未知参数，当噪声为各点无关的各向同性高斯噪声时，Qs=δw2I，方差所含未知参数为δw2，则有：
$$ {\mathit{\boldsymbol{J}}_{{Q_s}{Q_s}}} = {\mathit{\boldsymbol{J}}_{\delta _w^2\delta _w^2}} = \frac{{2nK}}{{{{\left( {\delta _w^2} \right)}^2}}} $$ (26) 根据矩阵分块求逆原理，噪声功率估计的克拉美-罗界为
$$ {\mathit{\boldsymbol{C}}_{CR}}\left( {\delta _w^2} \right) = \frac{{{{\left( {\delta _w^2} \right)}^2}}}{{2nK}} $$ (27) 可以看出噪声功率估计的克拉美-罗界随着采样数的增加而减小，说明增加信号的采样，可以提高对噪声统计特性的估计。将Qs=δw2I代入(25)式，得到：
$$ {\left[ {{\mathit{\boldsymbol{J}}_{\theta \theta }}} \right]_{i,j}} = 2K{\mathop{\rm Re}\nolimits} \left[ {\frac{{\partial {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _i}}}Q_s^{ - 1}\;\frac{{\partial \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _j}}}} \right] $$ (28) 定义
$$ D \buildrel \Delta \over = \frac{{\partial {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial \theta }} $$ (29) 由于θ=[α, β, γ, tx, ty, tz]T，待估计参数的克拉美-罗界为
$$ {\mathit{\boldsymbol{C}}_{CR}}\left( \theta \right) = \frac{{\delta _w^2}}{{2K}}{\left\{ {{\mathop{\rm Re}\nolimits} \left[ {\mathit{\boldsymbol{D}}{\mathit{\boldsymbol{D}}^{\rm{H}}}} \right]} \right\}^{ - 1}} $$ (30) 从(30)式中可以看出，参数估计的克拉美-罗界随拍摄数量的增加线性下降，随噪声功率的增加线性增加。
4 仿真
利用计算机仿真对最大似然估计和克拉美-罗界进行分析，并与传统迭代算法以及OI算法进行比较。
仿真参数：相机焦距f=35mm，单个像素尺寸dx=dy=62.5 μm，主点在图像中心，控制点从相机坐标系的[-2 2]×[-2 2]×[4 9] m3的长方形区域内随机选取，相机坐标系相对于世界坐标系的欧拉角为[20 10 30]°，平移矩阵为[2 3 10]m。图 2(a)是随机选取的控制点在相机坐标系下的坐标，图 2(b)中圆圈表示相机拍摄控制点时实际成像位置(像素坐标系)，圆圈旁边的10个点为噪声功率为1dB时，由拍摄的10张图片提取的坐标点。
![]()
图 2 控制点在相机坐标系和成像平面上的位置Figure 2. Positions of control points in camera coordinate system and image plane图 3是传统迭代算法、OI算法、最大似然方法在不同的噪声功率下的参数估计均方根误差(root-mean-square error, RMSE)，在各噪声级下完成500次独立实验，其中最大似然方法利用了10张图片。从仿真结果中可以看出，3种方法在噪声功率较小的情况下都趋向于克拉美-罗界，传统迭代算法性能略优于OI算法，而最大似然方法的性能明显优于其他两种方法。
![]()
图 3 不同噪声功率下各算法的参数估计均方根误差Figure 3. RMSEs of different methods with different noise powers图 4是最大似然估计在不同的图片数下的参数估计均方根误差，噪声功率为2 dB，每个图片数完成500次独立实验，可以看出参数估计的RMSE随着图片数的增加而减小，说明适当地增加拍摄数量可有效提高估计的性能。
5 结论
给出机器视觉位姿估计的信号模型，并从随机信号的角度出发，推导了基于机器视觉的最大似然位姿估计以及相应的克拉美-罗界，从理论上证明了利用单幅图像时，在各向同性高斯噪声情况下传统迭代算法与最大似然算法等效，通过仿真分析，可知在图像数量适当增加的情况下，估计性能得到了明显改进，适用于更高精度的位姿估计。并且推导的位姿估计克拉美-罗界作为任何无偏估计的方差下界，是位姿估计的性能极限，可以作为位姿估计方法有效性的评价标准；下一步，针对复杂的噪声情况，应在此基础上讨论各向异性噪声以及相关噪声情况下的位姿估计方法及其克拉美-罗界。
-
![]()
图 2 单光程测角锥二面角直角误差原理图
Figure 2. Schematic diagram of dihedral angle error of single-pass measurement for corner cube prism
![]()
图 3 单光程中直角棱镜反射测试光示意图
Figure 3. Schematic diagram of right-angle prism reflection test light in single-pass measurement
![]()
图 4 双光程测角锥二面角直角误差原理图
Figure 4. Schematic diagram of dihedral angle error of double-pass measurement for corner cube prism
![]()
图 5 双光程中直角棱镜反射测试光示意图
Figure 5. Schematic diagram of right-angle prism reflection test light in double-pass measurement
![]()
图 6 角锥棱镜各坐标系示意图
Figure 6. Schematic diagram of each coordinate system of corner cube prisms
![]()
图 10 双光程角度误差值分布情况
Figure 10. Distribution of angular error values from double-pass measurement
表 1 二面角直角误差值
Table 1 Values of right-angle error of dihedral
测量方式 $ {\varepsilon _{12}} $/μrad $ {\varepsilon _{13}} $/μrad $ {\varepsilon _{23}} $/μrad 单光程 0.978 5 1.536 8 −0.355 8 双光程 0.638 3 1.260 9 −0.311 3 
下载: 导出CSV
-
[1] 张以漠. 应用光学[M]. 4版. 北京: 电子工业出版社, 2015: 66-75. ZHANG Yimo. Applied optics[M]. 4th ed. Beijing: Publishing House of Electronics Industry, 2015: 66-75.
[2] D. 马拉卡拉. 光学车间检验[M]. 北京: 电子工业出版社, 1978: 16-29. MALACARA D. Optical shop testing[M]. Beijing: China Machine Press, 1978: 16-29.
[3] 张健文. 六边形角锥棱镜阵列回复反射器加工方法研究[D]. 广州: 广东工业大学, 2022. ZHANG Jianwen. Research on machining method of hexagonal cube corner array retroreflector[D]. Guangzhou: Guangdong University of Technology of China, 2022.
[4] 胡国星, 赵寰, 任万杰, 等. 基于激光泰曼干涉仪的角锥反射镜误差测量[J]. 光电技术应用, 2021, 36(4): 73-78. HU Guoxing, ZHAO Huan, REN Wanjie, et al. Error measurement of hollow corner cube reflector based on laser Twyman interferometer[J]. Electro-Optic Technology Application, 2021, 36(4): 73-78.
[5] 罗青山, 安学聪, 钟亚雪, 等. 小口径角锥棱镜加工工艺研究[J]. 光学技术, 2023, 49(1): 1-4. LUO Qingshan, AN Xuecong, ZHONG Yaxue, et al. Study of processing technology for corner cube prism with small diameter[J]. Optical Technique, 2023, 49(1): 1-4.
[6] 姚喜国. 激光合成波长纳米位移测量干涉仪的非线性误差分析与补偿方法研究[D]. 浙江: 浙江理工大学, 2012. YAO Xiguo. Analysis and compensation of nonlinear errors in a laser synthetic-wavelength nanomeasurement interferometer[D]. Zhejiang: Zhejiang Sci-Tech University of China, 2012.
[7] 耿旭. 基于内反射原理测量小角度变化量的技术研究[D]. 南京: 南京理工大学, 2015. GENG Xu. A technical study on the measurement of small angular changes based on the principle of internal reflection[D]. Nanjing: Nanjing University of Science and Technology of China, 2015.
[8] 祁冰芸, 张泽宇, 周康虎, 等. 光棒干涉测量中单双通法的对比[J]. 光学仪器, 2020, 42(2): 8-13. QI Bingyun, ZHANG Zeyu, ZHOU Kanghu, et al. Comparison of single and double pass methods in laser rod interferometric measurement[J]. Optical Instruments, 2020, 42(2): 8-13.
[9] 何勇. 锥体棱镜的测试[J]. 实用测试技术, 1997, 3: 26-29. HE Yong. Tests on corner cube prisms[J]. China Measurement & Test, 1997, 3: 26-29.
[10] 何勇, 顾文礼, 陈进榜. 锥体棱镜角度误差的一种测量方法[J]. 计量技术, 1999, 3: 11-13. HE Yong, GU Wenli, CHEN Jinbang. A method of measuring the angular error of cone prisms[J]. Measurement Technique, 1999, 3: 11-13.
[11] 焦仲科, 岳永坚. 角锥棱镜的入射角及有效反射面积分析[J]. 半导体光电, 2014, 35(5): 811-816. JIAO Zhongke, YUE Yongjian. Analysis on the maximum incident angle and effective reflection area of cube corner retro-reflector[J]. Semiconductor Optoelectronics, 2014, 35(5): 811-816.
[12] 郁道银, 谈恒英. 工程光学[M]. 4版. 北京: 机械工业出版社, 2018: 363-367. YU Daoyin, TAN Hengying. Engineering optics[M]. 4th ed. Beijing: China Machine Press, 2018: 363-367.
[13] 邵继虎. 激光干涉式测角仪数据采集及处理系统的研制[D]. 哈尔滨: 哈尔滨工业大学, 2011. SHAO Jihu. Development of data acquisition and processing system for angle measurement based on laser interferometer[D]. Harbin: Harbin Institute of Technology of China, 2011.
[14] 王芳, 卢庆杰, 韩森. Fizeau干涉仪中压电陶瓷的非线性校正[J]. 压电与声光, 2020, 42(2): 273-277. WANG Fang, LU Qingjie, HAN Sen. Nonlinear correction of piezoelectric ceramic in Fizeau interferometer[J]. Piezoelectrics & Acoustooptics, 2020, 42(2): 273-277.
[15] 刘树民. 大口径锥体棱镜的制造与测量方法[J]. 光学技术, 2013, 39(5): 429-432. LIU Shumin. Interferometry measuring for orthogonal error in pyramidal prism[J]. Optical Technique, 2013, 39(5): 429-432.
[16] 郭仁慧. 数字波面干涉仪棱镜角度偏差测试技术的研究[D]. 南京: 南京理工大学, 2004. GUO Renhui. A study of prism angular deviation testing techniques for digital wavefront interferometers[D]. Nanjing: Nanjing University of Science and Technology of China, 2004.
[17] 朱怀康, 张齐元, 韩森, 等. 光程干涉仪中参考镜楔角最优补偿方式研究[J]. 应用光学, 2022, 43(5): 950-958. doi: 10.5768/JAO202243.0503004 ZHU Huaikang, ZHANG Qiyuan, HAN Sen. Optimal compensation methods of wedge angle of reference mirror in equal optical path interferometer[J]. Journal of Applied Optics, 2022, 43(5): 950-958. doi: 10.5768/JAO202243.0503004
[18] 郭仁慧, 何勇, 苏俊宏, 等. 锥体棱镜角度测量误差分析与仿真[J]. 红外与激光工程, 2006, 4: 485-489. GUO Renhui, HE Yong, SU Junhong, et al. Analysis and simulation of testing the angle of corner cube reflector[J]. Infrared and Laser Engineering, 2006, 4: 485-489.
[19] CHIAYU A, JAMES C W. Effect of retroreflection on a Fizeau phase-shifting interferometer[J]. Applied Optics, 1993, 32(19): 3472-3475.
[20] 匡萃方, 冯其波, 刘欣. 用矢量方法分析角锥棱镜的反射特性[J]. 应用光学, 2004, 2: 25-27. doi: 10.3969/j.issn.1002-2082.2004.02.007 KUANG Cuifang, FENG Qibo, LIU Xin. Analysis of reflection property of cube corner retroreflector with vector expression[J]. Journal of Applied Optics, 2004, 2: 25-27. doi: 10.3969/j.issn.1002-2082.2004.02.007
[21] JAN B, BOZENKO F O, BENJAMIN C P, et al. Precision metrology of dihedral angle error in prisms and corner cubes for the space interferometry mission[C]//Proceedings of Optics and Photonics 2005. San Diego: Optical Manufacturing and Testing, 2005: 1-11.
-
期刊类型引用(0)
其他类型引用(3)
计量
- 文章访问数: 39
- HTML全文浏览量: 6
- PDF下载量: 14
- 被引次数: 3
陕公网安备 61011302001501号 