- PeLiCal: 通过穿透线进行有限共可见 RGB-D 相机的无目标外部标定
RGB-D 相机在机器人感知中至关重要，由于其能够生成带有深度数据的图像。然而，它们的有限视野经常需要多个相机来覆盖更大的区域。在多相机 RGB-D 设置中，目标通常是减少相机重叠，以尽可能少的相机进行空间覆盖。这篇研究提出了一种新的基于线 - 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。
- 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 - Colmap-PCD：一个用于图像与点云精细配准的开源工具
利用预先建立的 LiDAR 地图作为固定约束，我们提出了一种新的成本效益的重建流程，以有效应对单目相机重建中固有的尺度挑战，并实现对兴趣区域的重建细节级别的灵活管理。
- eWand：广基准宽基线帧和事件相机系统的校准框架
利用 eWand 方法，使用闪烁 LED 代替印刷或显示的图案进行快速、易用的内外参数标定，以提高多摄像头的准确校准。
- 鲁棒自监督外在自校准
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 - 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。
- UniCal: 一种基于单支 Transformer 的相机 - 激光雷达标定与验证模型
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 LiDA - ECCV基于基础设施的多相机径向投影校准
本文提出一种基于基础设施的方法，通过分别对单个摄像机进行内部校准和用 3D 地图预建立的外部校准，从零开始完全校准多摄像机系统，并且在多种室内外场景中进行了广泛实验，结果表明我们的校准方法具有高准确性和鲁棒性。
- 单目手眼标定的可证明最优解
本文介绍了一种新的基于凸优化的手眼标定方法，该方法能够在传感器不能观测到其中一个方向的尺度的情况下，提供可验证的全局最优解，并且在合成数据实验中证明了算法的最优性和速度。
- 高精度在线无标志立体外参校准
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。
- 基于感知器自运动的全局优化外在标定
使用 QCQP 和 SDP 求解算法，可以快速高效地获得两个独立传感器之间的外部校准参数，且具有全局最优性，同时本文还提出了必要的可观测性条件，来验证算法的实际性能。
- RegNet: 使用深度神经网络进行多模态传感器配准
本研究提出了 RegNet，这是第一个使用卷积神经网络（CNN）推断多模式传感器之间的六自由度（DOF）外部校准的方法，与现有方法相比，RegNet 将所有传统校准步骤（特征提取、特征匹配和全局回归）投射到一个单一的实时可行的 CNN 中。
- CVPR基于单个三维点的万花筒成像系统线性外部标定
本论文提出了一种通过估计镜面的法线和距离的新型复合成像系统的外部校准方法。与传统方法不同，该论文的解决方案是同时估计所有镜参数，该方法将同时估计问题转化为解决一组线性方程，具体表现为从单个未知几何形状的三维点的万花筒二维投影中线性估计多个镜