Automatic extrinsic calibration between a camera and a 3D Lidar using 3D point and plane correspondences[1]
提出:
-
16线雷达。
-
利用棋盘的几何形状,自动从激光雷达点云中提取棋盘中心点和法线向量。相机图像中的相应特征通过相机的外矩阵获得。
-
遗传算法来解决高度非线性的状态空间。
-
需要3个棋盘pose,并且通过使用真实世界和模拟特征评估我们的算法来证明校准精度。
步骤:
- 标定板
- 提特征点
Lidar:RANSAC
相机:cv::findChessboardCorners
-
GA求解外参
Extrinsic Calibration of a 3D Laser Scanner and an Omnidirectional Camera[2]
提出:
3D雷达和全方位相机的标定。相机通过二维码估计标定板平面在相机坐标系下的平面方程,由于激光点云落在平面上,将点云通过激光坐标系到相机坐标系的外参数转换到相机坐标系,构建点到平面的距离作为误差,使用非线性最小二乘进行求解。
步骤:
-
标定lidar内参
-
计算第i帧图像到第一帧图像的变换矩阵,从而可以将每一帧的点(标定板上5)都转到第一帧图像的坐标系。优化重投影误差,得到相机到世界坐标系的变换矩阵。
- 计算第n帧图像中标定板到相机中心的距离,进而计算到第一帧相机中心的距离
-
RANSAC计算Lidar的3D点
-
将Lidar3D点投到相机第一帧的坐标系下
-
最小化重投影误差
-
估计噪声
Improvements to Target-Based 3D LiDAR to Camera Calibration[3]
提出:
-
使用已知尺寸和几何形状的目标来改善面对LiDAR图像中目标的量化和系统误差的目标姿态估计;
-
用于LiDAR到单目相机变换的拟合方法,避免了从点云中提取目标边缘的繁琐任务;
-
基于将3D LiDAR目标顶点投影到相机图像中相应的角落的“交叉验证研究”。
效果:
-
激光雷达到摄像机的投影误差减少了50%以上,其方差减少了70%
优点:
-
不需要从固有噪声点云中估计目标法向量;
-
避免了边缘点的识别及其与目标特定侧面的关联,结合较低的均方根误差和方差,我们的结果可能为当前基于目标的外参校准方法提供一种较好的替代方案。
步骤:
-
雷达-标定板。使用正方形标定板与雷达呈45°夹角放置,通过四个顶点的投影和反投影优化求解H阵
-
相机图像-标定板
图像中标定板的角点和标定板角点对齐
-
估计外参
PnP
IoU
LiDAR-Camera Calibration using 3D-3D Point correspondences[4]
提出:
一种新的方案和实验装置,以找到精确的刚体变换,用于激光雷达和相机外参校准。该方案使用激光雷达和相机中的3D-3D点对应,并给出封闭形式的解决方案,该代码以ROS包的形式作为开源软件提供。是一种ICP迭代优化的点对的方式
步骤:
标定板:
-
镂空矩形板*2 + 实心矩形板*1,45°悬挂
-
ArUco Markers
-
2D-3D PnP
EPnP + RANSAC,但是效果不好。
-
3D-3D ICP
效果更好,但是鱼眼相机没有3D点,readme说明支持单目双目。
-
Tips:
提到了Kabsch算法。