在这篇论文中，我们提出了一种新的方法来解决激光雷达 - 相机外部参数标定问题，通过基于一致性学习的隐式重新标定，通过引入外观一致性损失和几何一致性损失来实现激光雷达和相机之间的一致性，进而提高对各种场景的适应性，并在推理过程中实现简单高效的表达，通过全面实验验证了我们的方法的准确性和鲁棒性，为进一步推动该领域的研究与开发，我们将发布我们的模型和代码。

Dec, 2023

本文介绍了 SceneCalib 这一新颖的方法，该方法能够同时自我校准多摄像头与激光雷达传感器之间的外参和内参，无需专门设计标定目标和人为干预，能够适应许多户外环境。此外，该方法还能够通过明确交叉摄像头约束来确保摄像头到激光雷达的外参和摄像头到摄像头的外参是一致的。

Apr, 2023

PseudoCal 是一种基于伪激光雷达概念的新型自校准方法，在自动驾驶车辆和移动机器人的上下文和约定中，能够独立于初始参数估计一次性完成校准，并解决现有方法无法解决的极端情况。

Sep, 2023

本文提出了一种名为 CaLiCa 的深度自校正网络，并针对针孔相机和 Lidar 自动进行校准。利用 KITTI 数据集的实验结果表明，通过单次推论可以实现 0.154 度和 0.059 米的精度，重投影误差为 0.028 像素。

Apr, 2023

我们提出了一个名为 SAL（Segment Anything in Lidar）的方法，包括一个可文本提示的零样本模型用于在 Lidar 中分割和分类任何物体，以及一个无需手动监督的伪标签引擎用于模型训练。通过利用 2D 视觉基础模型生成免费的 3D 监督，我们的模型在无需手动标签的情况下在类别无关分割上达到 91％和零样本 LPS 上达到 44％，超越了不使用蒸馏而仅将图像特征提升到 3D 的基线模型，并且支持任意类别提示，并且可以轻松地扩展到新数据集，并显示出随着自标记数据的增加而提高的潜力。

Mar, 2024

基于神经网络和深度学习技术，本文提出了一种自动检测相机与激光雷达之间外参校准情况的算法，并针对该任务生成了一个新的数据集分支 (KITTI dataset) 用于性能测试。该方法可以广泛地应用于智能汽车等领域，这是第一篇关注校准外参重要性的研究工作。

Oct, 2022

所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值，而无需校准目标、地面真实训练数据和昂贵的离线优化。

Jun, 2023

本研究旨在将基础模型的能力发挥在 3D 视觉任务中，在通过 SAM 提出的 BEV 流程管道构建的基础上，通过提高零样例能力实现 3D 物体检测，将其应用于 Waymo 开放数据集，展示其可行性。

Jun, 2023

无需训练数据、人工设计特征或离线优化的无目标外参校准算法，能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中，利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。

Nov, 2023

该论文介绍了一种便捷、易于维护的全自动无目标 LiDAR - 相机外参标定工具 Galibr，用于地面车辆平台在任何自然环境下进行标定，通过利用 LiDAR 和相机输入的地面平面和边缘信息，流线化标定过程，该方法包括两个主要步骤：基于地面平面的初始位姿估计算法 (GP-init) 和通过边缘提取和匹配的细化阶段，在 KITTI 数据集和 KAIST 四足数据集等非结构化自然环境中展示了我们的方法明显提升了标定性能，主要归功于我们的初始位姿估计方法。

Jun, 2024