[论文解读] Targetless Calibration of LiDAR-IMU System Based on Continuous-time Batch Estimation

Jiajun Lv, Jinhong Xu+3 more|arXiv (Cornell University)|Jul 29, 2020

Robotics and Sensor-Based Localization参考文献 30被引用 5

一句话总结

该论文提出LI-Calib，一种无需标靶的LiDAR-IMU标定方法，采用基于B样条参数化轨迹的连续时间批量估计，并结合基于表面元（surfel）的数据关联。该方法通过联合最小化IMU原始测量值与LiDAR点到表面元的残差，在结构化环境中实现了高精度与高可重复性。真实世界实验中，平移误差低于1毫米，旋转误差低于1度，且已公开开源代码。

ABSTRACT

Sensor calibration is the fundamental block for a multi-sensor fusion system. This paper presents an accurate and repeatable LiDAR-IMU calibration method (termed LI-Calib), to calibrate the 6-DOF extrinsic transformation between the 3D LiDAR and the Inertial Measurement Unit (IMU). % Regarding the high data capture rate for LiDAR and IMU sensors, LI-Calib adopts a continuous-time trajectory formulation based on B-Spline, which is more suitable for fusing high-rate or asynchronous measurements than discrete-time based approaches. % Additionally, LI-Calib decomposes the space into cells and identifies the planar segments for data association, which renders the calibration problem well-constrained in usual scenarios without any artificial targets. We validate the proposed calibration approach on both simulated and real-world experiments. The results demonstrate the high accuracy and good repeatability of the proposed method in common human-made scenarios. To benefit the research community, we open-source our code at \url{https://github.com/APRIL-ZJU/lidar_IMU_calib}

研究动机与目标

• 开发一种无需人工标靶或额外传感器的高精度、可重复的LiDAR-IMU标定方法。
• 解决在动态环境中对高采样率或异步LiDAR与IMU数据进行标定的挑战。
• 通过使用基于表面元的表示方法和自适应平面相似度阈值，提升标定过程中数据关联的可靠性。
• 通过利用平面结构带来的几何约束，在典型人工环境中确保标定问题具有良好的约束性。
• 提供一个完全开源的标定工具箱，以促进机器人学与感知研究社区的发展。

提出的方法

• 该方法采用B样条参数化来建模LiDAR-IMU系统的连续时间轨迹，从而实现在任意时间点的精确位姿估计。
• 在连续时间批量优化框架下，联合最小化来自原始IMU测量值（加速度与角速度）的残差以及点到表面元距离的残差。
• 将点云离散化为表面元（微小平面），并通过LiDAR点与其对应表面元之间的数据关联来提升鲁棒性。
• 采用两阶段阈值策略：初始平面相似度阈值为0.6，经运动补偿后提升至0.7，以优化表面元地图。
• 该方法依赖基于NDT的LiDAR里程计在首次迭代中生成初始表面元地图与运动补偿后的点云。
• 采用0.02秒的节点间距以应对高度动态运动，确保足够的时间分辨率以准确表示轨迹。

实验结果

研究问题

• RQ1 无需人工标靶或额外传感器，在真实世界结构化环境中，无标靶LiDAR-IMU标定方法能否实现高精度与高可重复性？
• RQ2 与离散时间插值方法相比，基于B样条的连续时间轨迹建模在高采样率或异步传感器数据下是否能显著提升标定精度？
• RQ3 与传统的点到平面或点到模型方法相比，基于表面元的数据关联在多大程度上提升了标定的鲁棒性与收敛性？
• RQ4 对表面元地图与平面相似度阈值的迭代优化，如何影响标定精度与收敛性？
• RQ5 初始LiDAR里程计的质量对最终标定性能有何影响？该影响如何被缓解？

主要发现

• 在与运动捕捉系统对比的十个真实世界序列中，该方法的平均绝对轨迹误差（ATE）为0.0183米。
• 在室内环境中，最终标定结果的差异为：平移误差小于0.0017米（1.7毫米），偏航角旋转误差为0.67°，表明具有极高的可重复性。
• 对于IMU之间的相对位姿，与CAD参考值相比，平移差异小于2毫米，旋转差异低于1°，证实了高精度。
• 在第一轮与第二轮迭代之间，性能有显著提升，归因于运动补偿后表面元地图与数据对应质量的改善。
• 约四轮迭代后，标定结果收敛并保持稳定，表明具有良好的收敛行为。
• 该方法在不同序列间表现出高度可重复性，尤其在旋转估计方面表现优异，且在结构化的人工环境中表现良好。