论文阅读2---多线激光lidar内参标定原理

已于 2024-01-23 18:36:20 修改
阅读量1.1k 收藏 9
点赞数 8
分类专栏： 论文阅读 文章标签： 论文阅读
于 2024-01-23 18:35:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_45701501/article/details/135779662
版权
本文详细介绍了多线激光LIDAR的标定内参，包括旋转、垂直、距离和视差校正参数，通过数学模型解释了标定过程，并以LIDARVelodyneHDL-64E为例，探讨了在封闭空间中利用PatternPlanes进行非线性优化的方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言：该论文介绍多线激光lidar的标定内参的原理，有兴趣的，可研读原论文。

1、标定参数

rotCorrection：旋转修正角，每束激光的方位角偏移（与当前旋转角度的偏移，正值表示激光束逆时针旋转），如图1 a
vertCorrection：垂直校正角，每束激光的仰角（正值使激光束朝扫描仪顶部旋转），如图1 b
distCorrection：距离校正偏移，应用于单个激光束的飞行时间距离
vertOffsetCorrection：与激光束正交的垂直视差校正，如图3
horizOffsetCorrection：与激光束正交的水平视差校正，如图4
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2、数学模型

在这里插入图片描述
对于某一个线，均有扰动方程：
在这里插入图片描述
在这里插入图片描述

3、标定过程

激光lidar放到5面尺寸已知的封闭空间；假设激光雷达z轴垂直底面，四面墙壁构成的空间也是已知，因此可算得每个点的距离ds。本质还是一个根据先验值进行一个非线性优化过程。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
参考论文：LIDAR Velodyne HDL-64E Calibration Using Pattern Planes

###########
好记性不如烂笔头
积硅步期千里

python做的多激光雷达外参标定程序（超级详细完整版本）
三维点云技术探索
11-23 854
查阅了一番资料和现有的代码后发现，现在的多个激光雷达之间的标定程序都是ROS框架下面的，并且都是C++代码，需要安装的依赖也比较复杂，于是自己写了一个python版本的标定程序，依赖非常简单，Windows系统也可以运行。并且代码简单，扩展性比较好，后续想要同时标定2个以上的雷达也很方便拓展；# e,d pitch 俯仰角调整。# w,s roll 翻滚角调整。# r,f X 轴调整。# t,g Y 轴调整。# y,h Z 轴调整。# q,a 偏航角调整。
MATLAB算法实战应用案例精讲-【自动驾驶】激光雷达标定(补充篇)
qq_36130719的博客
05-23 1336
与相机相似，激光雷达也有内参，外参。激光雷达内参是指内部激光发射器坐标系与激光雷达自身坐标系的转换关系，内参在激光雷达出厂之前就已经标定好了，因此我们只需要标定激光雷达的外参，即激光雷达坐标系和车体坐标系的转换关系。根据发射激光束的数量可分为单线激光雷达和多线激光雷达，单线激光雷达只能扫描一个平面，多线激光雷达可以扫描多个平面。
lidar内外参原理
最新发布
wynn1123的博客
03-05 284
相机用被动光源，雷达用主动光源。但都是感光sensor，都做不到一帧画面的各部分同时曝光，所以lidar成像也有畸变。畸变主要分两种：（1）lidar自身旋转平移以及扫描方式引起的扫描失真，即自身运动畸变（ego-motion distortion）；（2）环境中快速运动的目标扫描失真，即可见目标运动畸变（observed target motion distortion），类似相机的果冻效应这两类畸变如果不处理，会明显影响感知精度，所以研发会想办法对原始点云做运动补偿。
激光雷达内参标定
Kenneth666888的博客
05-20 603
激光雷达的夹角，由于出厂原因，夹角可能会有偏差。
多激光雷达标定multi_LiDAR_calibration
weixin_41681988的博客
06-26 6832
用于两个Velodyne VLP16的外参变换矩阵标定
相机&激光雷达&IMU内参及外参标定
CCChester的博客
04-05 2323
安装依赖 sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse3 libgflags-dev libgoogle-glog-dev libgtest-dev。5、下载：在kalibr_ws/src/ 执行 git clone https://github.com/ethz-asl/kalibr.git。支持IMU与IMU的标定。1、使用工具：https://github.com/ethz-asl/kalibr.git。
【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定
weixin_43728093的博客
05-13 3325
针对velodyne激光雷达与IMU融合的激光SLAM方案的内参标定，即标定IMU。本次所用的IMU数据来自无人机的Pixhawk飞控。
激光雷达与组合惯导联合标定--方案二（matlab）
xx970829的博客
03-22 4892
目录原理matlab代码 【说明】：该方法是自己通过坐标系转换关系建立方程并用matlab求解的，精度不一定满足要求，可能有很多不足之处，仅供参考。 方案一：https://blog.youkuaiyun.com/xx970829/article/details/115072158 原理 按照方案一，在实际采集数据时比较困难，纸箱或车等标志物在点云中都不够明显，若要良好效果需要以一栋小平房的一角来做角点，于是提出了方案二：通过地面或台阶一条明显的点云线在地图坐标系中建立一条空间直线方程，在不同时刻，不同帧之间对应雷达坐
SLAM论文笔记-使用点和线特征的激光雷达-单目视觉里程计
偏执的眸
09-17 1062
使用点和线特征的激光雷达-单目视觉里程计 首发在泡泡机器人slam公众号 标题：Lidar-Monocular Visual Odometry using Point and Line Features 作者：Shi-Sheng Huang, Ze-Yu Ma, Tai-Jiang Mu, Hongbo Fu, and Shi-Min Hu 机构：The Department of Computer Science and Technology, Tsinghua University and BNRist
自动驾驶系统进阶与项目实战（一）激光雷达-相机外参自动化标定算法及项目实战
热门推荐
AdamShan的博客
04-24 2万+
通常而言，激光雷达和相机固定安装于无人车上，其相对关系一定，获得准确的齐次变换矩阵或者 $(x,y,z,roll,pitch,yaw)$ 变化量即完成了传感器的外参标定。然而，无人车安装的传感器数量较多，高效且自动化地完成多传感器标定对于自动驾驶研发而言非常关键，本文介绍一种自动化标定相机-激光雷达的方法，并且给出了相对完整的ROS实现以供读者参考。
MATLAB算法实战应用案例精讲-【自动驾驶】激光雷达标定
qq_36130719的博客
05-23 2247
激光雷达在自动驾驶中的核心特征可以概括为三维环境感知、高分辨率、抗干扰能力。三维环境感知方面，3D激光雷达能够在短时间内向周围环境发射大量的激光束，探测距离是介于200-300m远距离和最大90°*30°的大视野探测能力；角分辨率最高可达0.05°*0.05°，保证了它在远距离仍然能准确探测、追踪多个目标，距离分辨率可以达到0.1mard，速度分辨率达到10m/s以内。
精度LiDAR-Monocular Visual Odometry
qq_38983484的博客
03-26 820
大佬讲解 代码解读和链接 论文题目：LIMO: Lidar-Monocular Visual Odometry 论文信息：2018IROS 这里写目录标题AbstractI. INTRODUCTION AND RELATED WORKII. BLOCK A AND B: FEATURE EXTRACTION AND PREPROCESSINGIII. BLOCK S: SCALE ESTIMATIONA. ApproachB. Selecting the NeighborhoodC. Foreground
一文详解多线激光雷达与相机标定实战
3D视觉工坊
07-23 696
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达一 相机内参标定相机内参标定建议使用matlab工具箱，简单易用，鲁棒性高。相机内参标定的标定板自行打印，打印材质需要硬质材质，不容易弯曲变形，建议用雪弗板，打印店很多。matlab识别不了中间带aruco码的板子，需要打印黑白棋盘格标定板，类似下图：ubuntu系统的matlab安装教程：https://www.cnblogs.c...
自动驾驶专题介绍 ———— 激光雷达标定
永远的菜鸡小詹的博客
06-14 7385
激光雷达在感知、定位方面发挥着重要作用。跟摄像头一样，激光雷达也是需要进行内外参数标定的。内参标定是指内部激光发射器坐标系与雷达自身坐标系的转换关系，在出厂之前就已经完成了标定，可以直接使用。自动驾驶系统需要进行的是外参的标定，即激光雷达自身坐标系与车体坐标系的关系。激光雷达与车体为刚性连接，两者间的相对姿态和位置固定不变。为了建立激光雷达之间以及激光雷达与车辆之间的相对坐标关系，需要对激光雷达的安装进行标定，并使激光雷达数据从激光雷达坐标系转换至车体坐标系上。
学习笔记7--激光雷达标定
FUXI_Willard
12-05 7185
本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！ 此专栏是关于《自动驾驶汽车环境感知》书籍的笔记。 2.激光雷达标定 2.1 概述 激光雷达内参标定：内部激光发射器坐标系与雷达本
ICRA 2023 | 最新激光雷达-相机联合内外参标定，一步到位！
CV_Autobot的博客
03-30 3392
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取今天自动驾驶之心很荣幸邀请到石头，为大家分享ICRA 2023最新的激光雷达-相机的联合标定方法，可同时标定内参和外参。如果您有相关工作需要分享，请在文末联系我们！>>点击进入→自动驾驶之心【多传感器融合】技术交流群后台回复【相机标定】获取超详细的单目双目相机模型介绍、内外参标定算法原理视频！基于传感器的环境感知，对于自...
多激光雷达的在线外参标定
qq_42700518的博客
02-20 3205
MLOAM源码要点总结1、简介2、算法流程3、主要问题 1、简介 MLOAM是港科大刘明教授团队开源的多激光雷达里程计方案，其主要特色为： 1、多激光雷达的外参在线标定。 2、基于滑动窗口优化的多激光融合运动估计。 2、算法流程 1、标定模式 2、里程计模式 (1)、仅仅利用参考激光雷达(IDX_REF)的数据计算粗略的帧间里程计 (2)、对每个激光雷达的激光数据进行降采样，并存放与： corner_points_stack_中 (3)、滑动窗口窗口优化 optimizeMap() 滑窗中优化的状态主要有:
相机和激光雷达内参标定
01-08
### 相机和激光雷达内参标定方法 对于相机而言，其内参数矩阵通常包括焦距\(f_x\)、\(f_y\)以及主点坐标\((c_x, c_y)\)[^1]。为了获取这些参数，在计算机视觉领域常用的方法之一是利用张正友棋盘格法来进行标定。该方法通过拍摄一系列不同角度下的标准图案图像来计算相机内部参数。 而对于LiDAR来说，由于它的工作原理不同于传统光学成像设备，因此不存在类似于相机那样的“内参”。但是，当提到LiDAR与其它传感器联合使用时，“内参”可以理解为其自身的安装位置及姿态角（即相对于车辆或其他载体的位置关系），这同样需要被精确测定以便于后续的数据融合处理过程[^2]。 在实际操作过程中，实现两者之间的相对位姿校准可以通过如下方式完成： #### 使用共同观测目标 一种常见做法是在环境中设置一些已知几何形状的目标物作为公共参照系，比如平面板上的特征点阵列或者是三维空间内的特定结构体。让两种类型的传感器同时观察同一个物体，并记录下各自感知到的信息；之后再借助优化算法求解最优变换矩阵使得两组数据尽可能重合一致。 ```python import numpy as np from scipy.optimize import least_squares def error_function(params, points_3d_cam, points_2d_lidar): R = params[:9].reshape(3, 3) t = params[9:].reshape(3, 1) transformed_points = (R @ points_3d_cam.T + t).T errors = [] for i in range(len(transformed_points)): projected_point = project_to_image_plane(transformed_points[i]) error_vector = points_2d_lidar[i] - projected_point errors.append(error_vector.flatten()) return np.concatenate(errors) initial_guess = ... # Initial guess of rotation matrix flattened and translation vector concatenated. result = least_squares(error_function, initial_guess, args=(points_from_camera, points_from_lidar)) final_params = result.x.reshape(-1, 3) ``` 上述代码片段展示了如何定义误差函数并调用`scipy.optimize.least_squares()`来进行最小二乘拟合以找到最佳转换参数集\[R|t\]，其中\(R\)代表旋转矩阵而\(t\)表示平移向量。这里假设已经获得了来自摄像头和平面激光测距仪所检测到的空间点集合`points_from_camera` 和 `points_from_lidar`。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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