Feat-Calibr | 一款实用的开源激光雷达到车体外参的标定工具

1. 导言：动机与这项成果的优势

对于拥有惯导的自动驾驶车辆而言，激光雷达到惯导/车体（以下简称激光雷达外参自标定）的方法对后续的感知、定位等下游应用具有非常重要的意义。对于这一问题，最容易想到的办法是同时跑激光里程计与惯导的里程计，并使用手眼标定的方法寻找这外参。这个方法最主要的问题是标定精度受制于激光雷达里程计的精度，对于当前量产的固态激光雷达而言，受制于有限的FOV，测距精度较差，抖动，以及多变的标定场景等问题，难以适配鲁棒且高精度的激光里程计用于外参标定。

此外还有另一类激光雷达外参自标定的工具，它们将所有单帧点云通过外参和惯导里程计投影回世界坐标系。假设惯导里程计和激光雷达外参都非常精准，那么投影回世界坐标系得到的局部地图应该拥有相当高的质量，并且最大限度得反映真实世界的场景。当然前提是只能在惯导状态好的场景下使用才能完成对外参的优化。这个想法的代表作的有2015年发布的开源项目lidar align。然而这项成果对激励轨迹有非常高的要求，仅适合无人机、手持式设备的激光雷达自标定场景，而并不适合在自动驾驶车辆上使用。本文介绍2019年发布在《Remote Sensing》上的一项激光雷达外参自标定成果：FeatCalibr，也是属于这一类。在作者的实践中也是一款比较实用的激光雷达外参自标定基线方案。此外它提供了MATLAB代码，到手改改数据接口即可使用，非常值得学习和应用。这项工作的主要优点包括

• 对标定场景没有设定，可以在自然场景下执行激光雷达标到车体（惯导）等位姿传感器

• 通过三维几何特征的使用，可以充分激励各个标定参数，解决自动驾驶车辆运动受限，传感器自标定激励困难的问题

• 通过多尺度方法的引入，提升了标定算法对初始参数的鲁棒性的同时不损失标定精度。在仿真数据以及较大的初始化误差的条件下仍然可以达到平移量毫米级，旋转量0.1deg级别的精度。同时实验表明这款标定算法的结果也具有较好的一致性。是一款值得研究的激光雷达到位姿传感器自标定的算法基线。

2. 方法与流程：

程序输入：

• 激光雷达单帧点云，其中代表第个index的点云在雷达坐标系下的位置，代表一帧中的点云个数，代表点云帧数。

• 惯导/车体姿态数据，其中代表世界坐标系，代表惯导或者车体坐标系。这个输入需要尽可能保证精度（比如GNSS无遮挡，RTK状态佳），否则优化过程中误差会被吃进外参

• 初始激光雷达到车体（或惯导）的外参（需要一定程度得接近，比如从数模中获取。因为优化局部地图的这类自标定方法需要借助邻近点云的信息，有点像ICP，对初始化比较敏感）

• 其他配置参数：降采样尺度，最大循环次数，tolerance等优化器设置

计算流程：如论文中的图片所示

程序输出：优化的外参（可以支持