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

我们介绍了一种新颖的架构 UniCal，用于相机和 LiDAR 之间的外部标定，通过基于 Transformer 的骨干网络利用自注意机制来推断传感器之间的 6 自由度相对变换。与以往的方法不同，UniCal 通过将相机图像通道和 LiDAR 映射聚合到一个多通道统一表示中，再使用单分支架构联合提取特征，从而实现了早期融合。通过实验证明，我们证明 UniCal 相较于现有方法实现了最先进的结果。同时，我们还展示通过迁移学习，可将在标定任务中学习到的权重应用于标定验证任务而无需重新训练骨干网络。

Apr, 2023

通过使用 transformers 在多个传感器的多个抽象级别上映射特征，我们提出了首个无需校准的 3D 物体检测方法，消除了复杂和昂贵的校准过程，不仅在 BEV mAP 上优于单模态设置 14.1％，还表明 transformer 确实学习到了传感器映射。我们希望通过展示传感器融合不需要校准来激励其他研究者，同时得到的方法对旋转和平移变化具有很强的鲁棒性。

Dec, 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

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

本文介绍了一种使用 LiDAR 和 3D 注释的姿势估计方法 LPFormer，该方法使用第一阶段的多级特征表示检测人类边界框并提取特征表示，第二阶段的基于 Transformer 的网络使用这些特征来回归人体关键点，并在 Waymo Open 数据集上获得了最佳性能和改进。

Jun, 2023

TransFusion 是一种稳健的解决方案，用于处理自动驾驶中 LiDAR 和摄像头数据融合时面对的图像质量下降和误差校准问题。该方法结合了使用浅层目标查询从 LiDAR 点云预测初始边界框和自适应融合对象查询与有用的图像特征，使用注意机制确定应该从图像中获取哪些信息的特点，在大规模数据集上表现良好。

Mar, 2022

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