[论文解读] A Novel Dual-Lidar Calibration Algorithm Using Planar Surfaces

Jianhao Jiao, Qinghai Liao+6 more|arXiv (Cornell University)|Apr 27, 2019

Robotics and Sensor-Based Localization参考文献 24被引用 4

一句话总结

本文提出了一种新颖的双激光雷达标定算法，利用环境中三个线性无关的平面作为自然标定目标，无需人工标记或额外传感器。该方法采用闭式求解器进行初始化，并通过非线性优化细化外参，仿真与真实实验中均实现了小于0.05 rad的旋转误差和小于0.1 m的平移误差。

ABSTRACT

Multiple lidars are prevalently used on mobile vehicles for rendering a broad view to enhance the performance of localization and perception systems. However, precise calibration of multiple lidars is challenging since the feature correspondences in scan points cannot always provide enough constraints. To address this problem, the existing methods require fixed calibration targets in scenes or rely exclusively on additional sensors. In this paper, we present a novel method that enables automatic lidar calibration without these restrictions. Three linearly independent planar surfaces appearing in surroundings is utilized to find correspondences. Two components are developed to ensure the extrinsic parameters to be found: a closed-form solver for initialization and an optimizer for refinement by minimizing a nonlinear cost function. Simulation and experimental results demonstrate the high accuracy of our calibration approach with the rotation and translation errors smaller than 0.05rad and 0.1m respectively.

研究动机与目标

• 实现户外环境中双激光雷达的自动、无标记标定。
• 克服现有方法依赖人工标定目标或额外传感器的局限性。
• 仅利用环境中平面特征提供鲁棒且精确的标定解决方案。
• 通过两阶段优化流程实现高精度并最小化人工干预。
• 在理想与具有遮挡和杂乱等挑战的真实场景下验证该方法的有效性。

提出的方法

• 使用基于RANSAC的平面提取方法，从激光雷达扫描中检测出三个线性无关的平面表面。
• 建立三个平面之间的几何约束，推导出初始外参估计的闭式解。
• 应用非线性优化框架，通过最小化基于平面间对齐的代价函数来优化初始估计。
• 依赖于形成类似角落结构的平面表面的结构一致性，以确保稳定的对应关系。
• 采用单次测量完成标定，具备实时应用潜力。
• 实现鲁棒的初始化，避免对运动数据或用户提供的初始猜测的依赖。

实验结果

研究问题

• RQ1 是否可以在无需人工标定目标或额外传感器的情况下实现双激光雷达标定？
• RQ2 仅利用环境中自然平面表面，外参估计的精度如何？
• RQ3 在存在遮挡和杂乱等挑战性条件下，该方法能否保持高精度？
• RQ4 与ICP或基于运动的方法相比，所提出的两阶段方法（闭式求解 + 优化）在精度和鲁棒性方面表现如何？
• RQ5 所提优化在真实场景下的计算成本和收敛特性如何？

主要发现

• 所提方法在仿真与真实实验中均实现了小于0.05 rad的旋转误差和小于0.1 m的平移误差。
• 对于$L_1 \ominus L_2$配置，方法实现了0.0203 rad的旋转误差和0.067196 m的平移误差。
• 对于$L_1 \ominus L_3$配置，方法实现了0.0238 rad的旋转误差和0.08357 m的平移误差。
• 在存在遮挡的困难场景中，方法实现了0.0292 rad的旋转误差和0.0930 m的平移误差，表现出良好的鲁棒性。
• 优化阶段耗时约27.3秒和35.8秒，表明计算成本可接受。
• 定性结果表明，校准后点云对齐良好，不确定性极小，证实了精确的配准效果。