[论文解读] LiDAR and Camera Calibration using Motion Estimated by Sensor Fusion Odometry
该论文提出了一种无需标定目标、全自动的相机-LiDAR系统2D-3D标定方法，利用传感器融合里程计估计尺度感知的相机运动。通过迭代地利用融合的LiDAR与RGB数据进行运动估计，对外参参数进行优化，该方法在无需初始参数或反射率数据的情况下，实现了比现有最先进方法更高的精度，尤其在平移估计方面表现更优。
In this paper, we propose a method of targetless and automatic Camera-LiDAR calibration. Our approach is an extension of hand-eye calibration framework to 2D-3D calibration. By using the sensor fusion odometry method, the scaled camera motions are calculated with high accuracy. In addition to this, we clarify the suitable motion for this calibration method. The proposed method only requires the three-dimensional point cloud and the camera image and does not need other information such as reflectance of LiDAR and to give initial extrinsic parameter. In the experiments, we demonstrate our method using several sensor configurations in indoor and outdoor scenes to verify the effectiveness. The accuracy of our method achieves more than other comparable state-of-the-art methods.
研究动机与目标
- 开发一种完全自动化的、无需标定目标的相机-LiDAR系统标定方法，避免人工对应关系或特殊标定目标的使用。
- 通过利用传感器融合里程计估计具有尺度信息的相机运动，提升标定精度，克服单目运动估计固有的尺度模糊性。
- 消除对外部初始外参估计或LiDAR反射率数据的需求，实现实际现场环境下的便捷标定。
- 在包含不同传感器配置与运动类型的多样室内和室外场景中，对方法进行验证。
提出的方法
- 通过连续3D点云的迭代最近点（ICP）配准方法估计LiDAR运动。
- 通过连续RGB图像间2D特征点匹配估计初始相机运动，结果为尺度模糊的运动。
- 利用传感器融合里程计，通过初始外参估计融合LiDAR点云与相机图像，对相机运动进行尺度修正。
- 利用优化后的、具有尺度感知的相机运动与LiDAR运动，通过迭代手眼标定方法更新外参参数。
- 重复运动估计与参数优化过程，直至外参参数收敛。
- 仅使用原始RGB图像与3D点云作为输入，无需反射率数据、初始参数猜测或人工对应关系。
实验结果
研究问题
- RQ1传感器融合里程计能否有效用于估计尺度感知的相机运动，以实现无需外部目标的2D-3D标定？
- RQ2在无需标定目标的全自动设置中，何种类型的传感器运动最有利于实现高精度标定？
- RQ3当仅使用最小量运动数据时，该方法在精度上与现有最先进方法相比如何？
- RQ4该方法能否仅使用标准RGB图像与3D点云数据实现鲁棒标定，而无需反射率数据或初始参数估计？
主要发现
- 所提方法实现了亚度级的旋转精度，并在平移精度上显著优于依赖尺度模糊运动的方法。
- 在HDL-64E与Ladybug 3的实验中，该方法实现了旋转误差小于1°，且平移精度极高，优于无尺度信息运动方法与基于互信息的方法。
- 人工标定因点云稀疏与扫描角度狭窄而失败，而所提方法即使在数据有限与挑战性传感器配置下仍能成功实现标定。
- 该方法对垂直运动（如平台升降）具有鲁棒性，且仅通过标准移动平台操作即可实现实际现场标定。
- 迭代优化过程收敛稳定，证明了将传感器融合里程计与手眼标定相结合的有效性。
- 该方法无需反射率数据或初始外参估计，适用于动态、真实世界环境下的部署。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。