Multi-LiCa：一种无运动和无目标的多LiDAR之间的标定框架

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。

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。

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。