Apr, 2024

在线目标无关 LiDAR - 相机外参标定：基于跨模态掩膜匹配

PDF
TL;DR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。
lidar-camera extrinsic calibrationdata fusiontarget-free approacheslarge vision models (lvms)cross-modal mask matching (c3m) algorithm
发现论文，激发创造
  • 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

    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

  • 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

  • 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

  • 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

  • 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

  • LIP-Loc: 跨模态定位的激光雷达图像预训练

    利用对比映射预训练（CLIP）方法在图像与 LiDAR 点云的交叉模态本地化任务中，首次应用批处理损失方法并展示了零样本转移，并在 KITTI 数据集上取得了超过当前最先进方法 22.4% 的准确性提升，而且无需复杂的网络架构。

    Dec, 2023

  • MULi-Ev：保持未受干扰的 LiDAR 事件校准

    MULi-Ev 是首个基于深度学习的在线框架，专为事件相机和 LiDAR 的外部校准而设计，通过实时校准调整来维持传感器对准度，在自动驾驶中能够实现 LiDAR 和事件相机的无缝集成，提高校准准确性，并在移动平台上树立了集成 LiDAR 和事件相机的新标准，从而增加了事件感知系统的安全性，可靠性和整体性能，并在实际部署和有效性方面取得了重要进展。

    May, 2024

  • 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

  • LC$^2$: 基于 LiDAR 和相机循环约束的跨模态地点识别

    本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

    Apr, 2023

  • CMRNext: 相机与 LiDAR 的野外匹配用于定位和外参标定

    本篇论文提出了 CMRNext，这是一种适用于动态环境中单目定位和摄像机 - LiDAR 外参标定的与传感器特定参数无关、可推广的摄像机 - LiDAR 匹配新方法。CMRNext 利用深度神经网络的最新进展来匹配跨模态数据，并利用标准几何技术进行鲁棒的姿态估计。实验证明，CMRNext 在两个任务上优于现有方法，并能够以零 - shot 方式有效地适应未见过的环境和传感器配置。

    Jan, 2024