作者 | Xingxing Li 编辑 | 3D视觉之心
点击下方卡片，关注“自动驾驶之心”公众号
戳我-> 领取自动驾驶近15个方向学习路线
本文只做学术分享，如有侵权，联系删文
Radar助力INS
由于惯性测量中的噪声和偏差，惯性导航系统（INS）通常会出现长期漂移问题。一个可行的解决方案是将外部传感器（如相机或激光雷达）与INS集成，即构建辅助INS。虽然视觉辅助INS或LiDAR辅助INS可以实现精确的自运动估计，但它们对不利天气条件（如雾、雨和雪）非常敏感。相反，雷达辅助的INS不受这些挑战条件的影响，因为雷达利用较低频率的信号，这些信号在大气气体和雨中的衰减效应较轻。
虽然2D雷达已经广泛应用于自动驾驶车辆（AV），但它们只测量目标的二维信息，即平面坐标中的距离、方位和速度。更先进的3D雷达能够提供额外的俯仰角，从而拥有更广泛的感知范围，目前一些标定方法存在需要关于外参初始猜测的先验知识来启动测量的依赖。
在收集数据时，IMU相关校准需要足够的运动激励以保证参数的可观测性。得益于这种动态校准，它允许时间参数的确定。目前方法都是基于离散时间的方法，在估计中通过一系列离散姿态来表示轨迹，并且通常需要简化假设，这在校准中会引入不可避免的误差。
与离散时间轨迹表示不同，连续时间表示通过连续时间函数来编码轨迹，其中姿态可以在任意时间点计算，使其特别适合于异步或高频传感器融合。最具代表性的是著名的Kalibr，它首次采用B样条作为连续时间轨迹表示来执行全局快门相机和IMU的时空校准。随后，在Kalibr的基础上，Huai等人进一步支持卷帘快门相机。
这些传感器套件的精确时空校准方面仍然存在空白。基于连续时间优化，RIs-Calib[1]是一种无需目标的时空校准方法，适用于集成多个3D雷达和IMU的传感器套件。进行严格的初始化程序，以获得估计器中状态的初始猜测，该过程不需要任何先验知识。随后，基于初始化的参数和来自雷达和IMU的原始测量数据，形成了一个包含雷达因子和IMU因子的非线性因子图，并进行多次批次优化，直到最终收敛。主要贡献如下：
提出了一种基于连续时间估计的多3D雷达和IMU的时空校准方法，该方法支持精确的空间、时间和内在参数校准，并且不需要专门设计的人工目标或先验知识。
与传统的基于连续时间的校准方法使用连续时间曲线来表示轨迹不同，创新性地使用这些曲线来编码旋转和速度曲线，这与雷达和IMU的测量数据自然兼容，并有效降低了优化的复杂性。
模拟和实际环境中的实验，证明所提方法的高精度和高重复性。
开源：https://github.com/Unsigned-Long/RIs-Calib
具体方法
问题定义
多雷达和IMU的时空校准方法的结构如图2所示。系统从一个严格的初始化程序开始，该程序恢复了一个所谓的虚拟中央IMU（即本文中参考IMU，其框架记作{}）的旋转和速度B样条，以及传感器的外参和重力。随后，系统会形成一个非线性因子图，该图最小化雷达残差、IMU残差和中心残差，并进行多次优化，直到最终收敛。
系统中的全状态向量 包括外参 、时间参数 、内参 、中央IMU的旋转和速度B样条控制点 和 ，以及参数化于中央IMU第一帧 {} 中的重力向量 ，定义如下：
其中，
其中 、 和 分别是与中央IMU相比的第i个IMU的外部旋转、外部平移和时间偏移；、 和 分别是与中央IMU相比的第j个雷达的外部旋转、外部平移和时间偏移； 和 分别是旋转和速度B样条的第k个控制点，其中 ； 是一个二自由度的重力向量，其常量幅度 。请注意，将所有时空参数都相对于虚拟中央IMU {} 进行参数化，并将 {} 视为B样条的参考框架，即静态世界框架。
初始化
基于连续时间的时空校准器是一个高度非线性的系统，需要一个严格的初始化程序来获得合理的初始猜测，以便执行全局优化。具体来说，基于多个雷达和IMU的原始测量数据，初始化虚拟中央IMU的B样条、传感器的外参和重力。
旋转B样条初始化
首先基于IMU的原始角速度测量数据执行仅旋转的B样条拟合，以恢复旋转B样条，同时可以同时初始化IMU的外部旋转。具体来说，最小二乘问题可以描述如下：
其中 是第i个IMU的第k次角速度测量的时间； 表示中央IMU的对应时间戳； 是用于维持中央旋转B样条的IMU外部旋转的中心残差； 是理想的角速度，可以通过以下公式获得：
其中 和 分别是时间点 的中央IMU的旋转和角速度，可以通过插值和求导中央旋转B样条分别计算得到。
外参和重力初始化
在初始化旋转B样条和IMU的外部旋转后，我们继续初始化IMU的外部平移、雷达的外参以及重力。考虑到第j个雷达在时间 测量了一个静态目标，基于公式（4）并服从静态约束 ，有：
其中 表示时间 时，相对于参考帧 的雷达帧 的速度，并以 帧为参数化。通过堆叠单个雷达扫描中的多个测量值，可以解析地求解 。
随后，我们利用基于速度级别的预积分，基于通过公式（12）粗略求解的雷达速度和来自IMU的原始线性加速度测量值恢复重力和未初始化的外参：
其中 是IMU外部平移的中心残差； 表示第j个雷达的两个连续扫描期间的中央IMU速度变化：
和 是基于恢复的旋转B样条、IMU的外部旋转和线性加速度测量值通过数值积分获得的量：
速度B样条初始化
通过初始化的重力向量，我们基于来自雷达和加速度计的原始测量值恢复速度B样条并优化在上一步中获得的量。具体来说，最小二乘问题可以描述如下：
其中 表示第j个雷达的第k次扫描； 是 中的第l个测量值，且 是其时间戳； 是由中央IMU时钟标记的对应测量时间； 是第j个雷达的速度，可以通过以下公式获得：
其中 是时间点 的中央IMU速度，可以通过速度B样条插值获得。注意，当组织这个最小二乘问题时，我们再次使用了基于速度级别的预积分残差。与前一步的不同之处在于，在 中，中央IMU的速度，即 和 ，是通过直接插值速度B样条获得的，而不是通过预解线性最小二乘问题获得的雷达速度。至此，初始化过程完成。需要注意的是，我们不会初始化IMU的时间参数和内参，并将它们设置为零或单位矩阵，这对后续的优化影响较小。
批量优化
在完成初始化后，通过最小化IMU残差、雷达残差和中心残差，构建并求解一个非线性最小二乘问题。
IMU残差
IMU残差由陀螺仪残差和加速度计残差组成，其中第i个IMU的第k次测量的陀螺仪残差已经在公式（9）中定义为 。至于加速度计残差，我们定义如下：
其中 是从速度B样条中得到的理想线性加速度：
雷达残差
批量优化中的雷达残差与公式（17）中的 相同。
中心残差
由于引入了虚拟中央IMU，并在估计器中维持其B样条，因此需要中心残差来确保系统具有唯一的最小二乘解。具体而言，构建了三种类型的中心残差，即旋转中心残差、平移中心残差和时间中心残差。旋转和平移中心残差已经在公式（9）和（13）中分别定义为 和 。至于时间中心残差，定义如下：
最后，将所有残差叠加起来，并将批量优化问题描述为以下非线性最小二乘问题：
实验效果
总结一下
RIs-Calib是一种无目标的时空标定方法，针对基于连续时间批量估计的多3D雷达和IMU，该校准器支持空间、时间和内部校准，并且不需要额外的人工基础设施或先验知识。首先进行严格的初始化程序以获取状态的初步猜测，随后通过多个批量优化来确保状态的全局最优。模拟和真实世界的实验的评估结果表明其具有高度的精确性和重复性。
未来方向：将集中于提高RIs-Calib的效率，使其成为一个实时应用程序。
参考
[1] RIs-Calib: An Open-Source Spatiotemporal Calibrator for Multiple 3D Radars and IMUs Based on Continuous-Time Estimation
投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！重磅，自动驾驶之心科研论文辅导来啦，申博、CCF系列、SCI、EI、毕业论文、比赛辅导等多个方向，欢迎联系我们！
① 全网独家视频课程
BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）
② 国内首个自动驾驶学习社区
国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频
③【自动驾驶之心】技术交流群
自动驾驶之心是首个自动驾驶开发者社区，聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向，目前近60+技术交流群，欢迎加入！扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）
④【自动驾驶之心】全平台矩阵
723
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
