Jun, 2024

Galibr：基于地面平面初始化的无目标 LiDAR - 相机外参标定方法

PDF
TL;DR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。
autonomous drivingslam technologymultimodal sensorsextrinsic calibrationlidar-camera
发现论文，激发创造
  • 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

  • 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

  • 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

  • PseudoCal: 基于深度学习的无初始化相机 - LiDAR 自标定方法

    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

  • 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

  • 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

  • CalibFormer：基于 Transformer 的自动 LiDAR - 相机标定网络

    本文提出了一个自动 LiDAR - 相机校准的端到端网络 CalibFormer，通过整合多层相机和 LiDAR 图像特征以获得高分辨率表示，利用多头相关模块更准确地识别特征之间的相关性，并使用 Transformer 架构从相关信息中估计精确的校准参数。该方法在 KITTI 数据集上实现了 0.8751cm 的平均平移误差和 0.0562° 的平均旋转误差，超过了现有最先进方法，展示了强大的鲁棒性、准确性和泛化能力。

    Nov, 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

  • 零训练 LiDAR - 相机外参校准方法：利用 Segment Anything 的 Calib-Anything

    使用基础模型和 Segment Anything Model (SAM) 技术，我们提出一种零额外训练的新型 LiDAR - 相机标定方法，通过最大化每种图像蒙版内投影的点的一致性优化外参参数，并在不同数据集上进行实验，证明了我们方法的普适性和可比性。

    Jun, 2023