相机标定 棋盘格 图_[论文阅读05]利用三维点和平面的相关性实现摄像机与三维激光雷达的外部自动标定...

论文题目:Automatic extrinsic calibration between a camera and a 3D Lidar using 3D point and plane correspondences

论文链接:https://arxiv.org/pdf/1904.12433.pdf

论文代码:https://gitlab.acfr.usyd.edu.au/its/cam_lidar_calibration/-/tree/master

针对的问题:

16线及以上激光雷达与相机之间的联合标定。

采用的方法:

1. 使用一个棋盘格作为参考来获得雷达和相机的特征点。利用标定板的几何形状,从激光雷达点云中自动提取标定板中心点和法向量,由摄像机的外参得到图像中对应的特征。

2. 为了获得最优的外参,作者提出一种遗传算法来处理高度非线性的状态空间,该过程需要提前定义相对于激光雷达的3D实验区域的边界和真实棋盘格的尺寸。

取得的效果:

随着样本集的增加,外参的方差减小,这表明算法在不同样本间的鲁棒性。

不足:

1. 只能利用标定板离线标定,无法在线实时标定。

2. 整个标定过程传感器是静止的,无法运动中进行校准。

e6c1d519495c6fe5ed4e3baa5fcad595.png

8cb6405ce17e43253525e3499cd13ea5.png

另外附上整个标定过程的教程链接:https://blog.csdn.net/AdamShan/article/details/105736726

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
结合多传感设备以实现高级的感知能力是自动驾驶汽车导航的关键要求。传感器融合用于获取有关周围环境的丰富信息。摄像头和激光雷达传感器的融合可获取精确的范围信息,该信息可以投影到可视像数据上。这样可以对场景有一个高层次的认识,可以用来启用基于上下文的算法,例如避免碰撞更好的导航。组合这些传感器时的主要挑战是将数据对齐到一个公共域中。由于照相机的内部校准中的误差,照相机与激光雷达之间的外部校准以及平台运动导致的误差,因此这可能很困难。在本文中,我们研究了为激光雷达传感器提供运动校正所需的算法。由于不可能完全消除由于激光雷达的测量值投影到同一里程计框架中而导致的误差,因此,在融合两个不同的传感器时,必须考虑该投影的不确定性。这项工作提出了一个新的框架,用于预测投影到移动平台像帧(2D)中的激光雷达测量值(3D)的不确定性。所提出的方法将运动校正的不确定性与外部和内部校准中的误差所导致的不确定性相融合。通过合并投影误差的主要成分,可以更好地表示估计过程的不确定性。我们的运动校正算法和提出的扩展不确定性模型的实验结果通过在电动汽车上收集的真实数据进行了演示,该电动汽车配备了可覆盖180度视野的广角摄像头和16线扫描激光雷达
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值