点云标定和点云配准

一、点云标定

点云标定（Point Cloud Calibration）是指确定点云数据与特定坐标系统之间的几何关系的过程。它通常用于确定激光雷达相对于其他传感器（如相机）或全局坐标系统的位置和方向。点云标定的目标是将点云数据与其他数据源对齐，以实现精确的空间对应。

1.1  相机标定

相机标定： 相机标定是后续计算机视觉工作的前提，其标定的目的是为了确定相机的内参、外参以及畸变参数。标定的方法有：线性标定法、非线性优化标定法、两步标定法。线性标定法：运算速度快但是标定的精度不高，因为相机畸变都是非线性的。非线性优化标定法：标定精度高，但模型复杂。两步标定法有：Tsai的经典两步法和张正友的标定方法[参考]。  

1.2 联合标定

联合标定指通过标定得到激光雷达坐标系到相机坐标系的外参[R,t]。当相机和激光经过联合标定后，可以将激光雷达的测量值准确地投影到相机图像中，从而实现激光点与三通道颜色信息的关联。相反，相机图像中的像素可以通过查询最近的激光得到深度值[参考]。

1.3 在线标定

自动驾驶中的在线标定也可以叫动态标定，但最准确的说法应该叫"targetless extrinsic calibration"，也就是不依赖于标志物的外参标定（棋盘格、特定形状的标定板、立方体都属于标志物）。

没有标志物了以什么作为参考进行标定呢？核心思路是当相机和LiDAR具有相似或重叠的FOV时，对重叠FOV场景内的点云特征和图像特征进行提取与匹配，也就是说参考对象由标志物换成了自然场景中的物体，通过优化或者构建PnP问题求解激光雷达到相机的外参[R,t] 。

二、点云配准

点云配准（Point Cloud Registration）是指将多个点云数据集融合成一个整体的过程。它的目标是通过将多个点云数据集进行对齐和配准，从而得到一个更完整和准确的点云模型。点云配准通常涉及寻找最佳的刚体变换（如平移和旋转），使得多个点云数据集之间的点对应关系最好。