joint-lidar-camera-calib-优快云博客

本文链接：https://blog.youkuaiyun.com/nuc_baixu/article/details/144311691

Introduction

在无标定目标的环境中，激光雷达-摄像头系统内在和外在参数的联合标定。本文旨在在没有棋盘格的情况下，标定摄像头的内参和激光雷达-摄像头的外参，同时保持与基于标定目标的方法相当的精度。我们的方法仅需要场景中的几块有纹理的平面。由于有纹理的平面在城市环境中普遍存在，因此该方法在各种标定场景中具有广泛的适用性。关于该方法的详细描述，请参阅我们的论文。标定流程概述如下面的图所示

算法实现流程

算法主流程如下：

int main(int argc, char *argv[])
{
    ros::init(argc, argv, "calib");
    ros::NodeHandle nh;
    std::string data_folder_ = "";
    nh.param<std::string>("data_folder", data_folder_, "");

    Calib calib(data_folder_); // Load raw data and configuration parameters

    calib.save_SfM_cloud("init", false, "init"); // Visualize SfM point cloud;
    calib.save_LiDAR_BA_cloud(); // Visualize LiDAR point clouds after BA;

    std::cout << std::endl;
    calib.recover_visual_scale(); // Solve monocular visual scale through hand-eye-calibration
    calib.refine_scale_ext();     // Iteratively refine visual scale and extrinsic parameters
    std::cout << std::endl;

    calib.save_SfM_cloud("before_opt", true, "init"); // Visualize SfM point cloud in the LiDAR frame before optimization;
    std::cout << std::endl;
    calib.joint_calib(); // Jointly calibrate intrinsic and extrinsic parameters
    calib.print_optimized_calibration();
    calib.save_opt_calib();
    calib.save_SfM_cloud("after_opt", true, "opt"); // Visualize SfM point cloud in the LiDAR frame after optimization;
    calib.colorize(); // Colorize point clouds given the calibration

    return 0;
}

（1）首先是利用colmap来重建视觉3d,恢复的点云没有尺度信息

（2）利用激光lidar里程计计算每一帧的lidar位姿

（3）利用手眼标定，恢复出视觉的尺度

（4）恢复尺度的视觉点云和Lidar点云直接，通过最小化视觉点到Lidar点云的平面的距离实现联合优化，优化变量包括视觉的尺度，相机内参，外参等。