专栏名称: 点云PCL
公众号将会推送基于PCL库的点云处理,SLAM,三维视觉,高精地图相关的文章。公众号致力于理解三维世界相关内容的干货分享。不仅组织技术交流群,而且组建github组群,有兴趣的小伙伴们可以自由的分享。欢迎关注参与交流或分享。
目录
相关文章推荐
EarlETF  ·  科技股的叙事逻辑变了 ·  7 小时前  
调研心得  ·  干起来了,涨疯了! ·  昨天  
何夕  ·  #美股# ... ·  3 天前  
51好读  ›  专栏  ›  点云PCL

Multi-LiCa:一种无运动和无目标的多LiDAR之间的标定框架

点云PCL  · 公众号  ·  · 2025-02-12 10:00

正文

文章:Multi-LiCa: A Motion- and Targetless Multi - LiDAR-to-LiDAR Calibration Framework

作者:Dominik Kulmer1, Ilir Tahiraj1, Andrii Chumak1, and Markus Lienkamp

编辑:点云PCL


欢迎各位加入知识星球,获取PDF论文,欢迎转发朋友圈。 文章仅做学术分享,如有侵权联系删文。

公众号致力于点云处理,SLAM,三维视觉,高精地图等领域相关内容的干货分享,欢迎各位加入,有兴趣的可联系[email protected] 文章未申请原创,未经过本人允许请勿转载,有意转载联系微信920177957。

摘要


当今的自动驾驶车辆依赖多种传感器来感知周围环境。为了提高感知能力或实现冗余,必须准确获取各传感器之间的相对位姿信息。本研究提出了一种新的传感器对齐方法,即 Multi-LiCa介绍了一种无需运动和标定目标的自动化多LiDAR间外参标定方法,该方法无需额外的传感器数据或初始位姿变换输入。该方法采用两步流程:首先通过基于特征匹配进行粗对齐,然后结合GICP(广义ICP)和基于代价的匹配策略进行精配准。只要单个传感器的视场存在部分重叠,该方法就可以适用于任意数量和位置的LiDAR。实验表明,我们的标定流程在不同的传感器设置和场景下具有更好的泛化能力,并且在标定精度上与现有方法相当或更优。该框架已集成到 ROS2,同时也可以作为独立应用程序运行。该方法已开源:https://github.com/TUMFTM/Multi_LiCa。

图 1:EDGAR 车辆的 LiDAR 配置,上图显示前视角,下图显示后视角。其中,a) 中程 Ouster OS-1,b) 远程 Seyond Falcon。

主要贡献



本研究专注于 LiDAR 与 LiDAR 之间的标定方法,无需额外的传感器(如相机或 IMU),因为这些额外传感器可能会引入额外的复杂性和误差。现有的多LiDAR 标定方法通常假设所有 LiDAR之间存在 共享的视场重叠区域,并且依赖一个主要LiDAR(如车顶 LiDAR)进行特征匹配 。然而EDGAR 的LiDAR布局缺乏所有 LiDAR 之间的重叠区域,使得现有方法难以适用。由于当前开源解决方案较少,我们提出了一种新的标定框架,该方法能够适用于 EDGAR 这类非典型配置,无需所有 LiDAR 之间存在视场重叠,也不依赖其他外部传感器。

图 2:EDGAR LiDAR 传感器的视场

本文的主要贡献如下:

  • 提出了一种自动化、无运动、无标定目标的多 LiDAR 标定框架(Multi-LiCa),该框架适用于不同 LiDAR 排布、传感器类型和标定场景,且对 LiDAR 相对位姿无特殊要求,只需单个 LiDAR 视场之间存在部分重叠即可。提出了一种两步标定算法,包括基于特征匹配的粗对齐和基于 GICP(广义迭代最近点)的精配准,无需传感器初始位姿估计,同时可实现高精度标定。

  • 引入了一种基于点对应关系的匹配策略,用于确定点云重叠区域,并提出了一种匹配与融合策略,以最大化收敛的可能性。

  • 进一步提出了一种 LiDAR-to-Ground 标定方法,可计算 LiDAR 相对于系统基准坐标系的 滚转角(roll)、俯仰角(pitch)和 z 轴变换分量,符合 ISO 8855 标准,从而部分自动化并简化整体 LiDAR-to-Base 标定流程。

主要内容


本文提出的标定框架可分为两个阶段。首先,通过基于特征的匹配算法计算点云的粗配准,并将计算得到的变换矩阵用于第二阶段的精细配准,作为初始估计。

图 3:使用 OpenCalibs CROON 进行 EDGAR 前方(蓝色)、左侧(绿色)和右侧(橙色) LiDAR 的标定结果。

粗配准

为了避免手动定义初始估计,我们使用 快速点特征直方图(FPFH) 计算每个点云的特征向量。为了加快处理速度并使点云更加均匀分布,我们对每个点云进行体素化,采用 0.35m 作为体素大小,并用体素的质心表示该区域的点。然后在每个点周围定义一个半径(为体素大小的 5 倍),并在该半径范围内计算 FPFH 特征向量。使用迭代优化方法来确定最佳的体素大小和半径大小。接下来使用 TEASER++ 计算单个源点云和目标点云之间的变换矩阵。实验表明,与 FPFH 结合 RANSAC 进行匹配的方法在不同场景和传感器配置下鲁棒性较差,容易产生错误匹配。因此采用 TEASER++,并将计算得到的所有变换存储为后续 精细配准 的初始估计。

精细配准

精细配准的核心算法是 广义迭代最近点(GICP),其基本思路是将单个 LiDAR-to-LiDAR 的标定方法扩展到多个 LiDAR,使每个 LiDAR 之间都能完成标定。由于 GICP 需要匹配重叠区域的特征,因此重叠区域的多少对标定至关重要。然而,在多个 LiDAR 标定至一个目标 LiDAR 时,由于目标 LiDAR 视场(FOV)有限,某些 LiDAR 可能无法直接与目标 LiDAR 形成足够的重叠区域,但它们可能与其他 LiDAR 有重叠。

使用 Open3D 的 GICP 计算匹配得分(fitness score) 来评估重叠区域大小,计算方法为:fitness score=匹配点数/目标点云总点数

在本研究假设每个 LiDAR 要么直接与目标 LiDAR 共享 FOV,要么与其他与目标 LiDAR 有重叠的 LiDAR 共享 FOV,即形成 级联依赖关系(如 A → B → C → T,见图 4)。如果该假设不成立,则至少有一个 LiDAR 无法完成标定。


图 4:LiDAR 传感器视场(FOV)及其重叠区域的示意图。

对每对源 LiDAR 和目标 LiDAR 运行 GICP,并根据 fitness score 判断配准是否成功,实验发现 fitness score > 0.2 可视为成功配准。

成功配准后,源点云会被转换到目标点云坐标系,并进行合并,从而增加重叠区域,使得最初未直接重叠的 LiDAR 也可以借助新的点云进行标定。该迭代方法提高了环境特征的匹配概率,并能处理 没有直接 FOV 重叠 的多传感器标定问题(见 算法 1)。

LiDAR-to-Ground 标定

除了 LiDAR-to-LiDAR 标定,我们还提出了一种 LiDAR-to-Ground(LiDAR 到地面)标定方法,用于计算 LiDAR 相对地面或系统基座的变换。在地面静止且平坦的假设下,可通过 GICP计算地面点云与LiDAR点云之间的变换。然而,由于地面点云缺乏明显特征,无法计算 x、y 方向和偏航角(yaw)的变换,但可以求得 z 方向偏移量、俯仰角(pitch)和横滚角(roll)。还采用 RANSAC 平面分割 计算 pitch 和 roll 角,实验表明 RANSAC 的精度高于 GICP。







请到「今天看啥」查看全文