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

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

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

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

本文提出了一种使用简单目标生成数据、配准对应关系并利用小型多层感知器执行回归的方法以及优化算法，使用类似 PyTorch 的深度学习框架进行梯度下降优化，用于三维 RADAR-LIDAR 标定，在改进外部标定参数估计方面取得了良好的效果。

May, 2023

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

提出了一个深度学习框架来实时学习相机的内部和外部校准，该框架自我监督，无需标注或监督学习校准参数，并且无需物理目标或在特殊平面表面上驾驶车辆。

Aug, 2023

自动驾驶车辆和机器人需要在各种不同的场景中高效而安全地完成任务。本研究介绍了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法，其利用单目深度估计器和姿态估计器结合速度监督对外参进行估计，并联合学习附加在移动车辆上的一组重叠相机的外参标定。实验结果表明，与传统的基于视觉的姿态估计流水线相比，我们的方法能够在各种场景中稳健且高效地实现自我标定，并展示了通过联合优化改进深度估计的外参自校准的优势。

Aug, 2023

本文提出了一种实时的无标定板双目相机标定方法，该方法通过基于流形上的新型非线性优化将几何误差最小化，不需要时间特征对应性，对于动态场景的不变性和灯光变化具有鲁棒性和较快的运行速度，并通过在线实验展示了与离线基于标记的标定方法相当的精度。

Mar, 2019

我们提出了一个鲁棒的外参标定方法，用于自动地进行地理参考相机标定，不需要人与信息交互，同时也不限制其他道路用户通行，我们通过在合成数据集和实际交叉口以及实现对真实基础设施的标定，演示了方法的可行性和准确性。

Apr, 2023