Nov, 2023

从混沌到校准：一种基于几何互信息的无目标相机 - LiDAR 外部标定方法

PDF
TL;DR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。
发现论文，激发创造
  • 鱼眼相机和激光雷达连续在线外部标定

    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

  • SceneCalib: 自动无标定目标的边缘计算机视觉和激光雷达校准

    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

  • 在线 LiDAR-Camera 外参自检

    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

  • 使用优化理论和自监督学习的物理和语义信息多传感器校准

    提出了一种基于自监督学习和直接在线优化的方法，通过将三项传感器（相机，雷达和激光雷达）的物理特性和语义信息，综合校准实现无目标的校准，以实现安全可靠的自动驾驶技术。

    Jun, 2022

  • RobustCalib：具有一致性学习的鲁棒激光雷达 - 相机外参标定

    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

  • 利用学习提高雷达和激光雷达之间的外参精度

    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

  • EdgeCalib: 自动目标无关激光雷达相机校准的多帧加权边缘特征

    在多模式感知系统中，精确进行 LiDAR 和相机之间的外部标定至关重要。我们介绍了一种基于边缘的方法，用于在实际场景中自动在线标定 LiDAR 和相机，通过在图像和点云中对齐边缘特征来确定外部参数，并通过边缘对应约束来优化准确的外部参数，结果表明其在精度和鲁棒性方面优于现有的基于边缘的标定方法。

    Oct, 2023

  • 基于智能车辆的自动静态摄像机校准

    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

  • 自主驾驶车辆完整激光雷达 - 相机自校准

    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

  • 在线目标无关 LiDAR - 相机外参标定：基于跨模态掩膜匹配

    基于大视野模型（LVMs）的跨模态掩模匹配（C3M）算法，具备足够可靠的匹配能力，以实现在各种具有挑战性场景中的强韧且准确的在线、无目标式 LiDAR - 相机外参标定（LCEC）问题。

    Apr, 2024