无人车之美——外参标定方法汇总（激光雷达）

写在前面

我们都知道，无人车上有很多状态检测装置，典型的有里程计、毫米波雷达、激光扫描器、相机和GPS。为了有效地进行数据融合，这些装置之间的相对位姿标定，具有重要的意义。

理论上讲，虽然可以通过测量来获取各检测装置之间的转换关系，但由于以下原因导致无法直接使用人工测量的数据：

1）人工测量精度差、易受仪器质量和使用者水平影响；

2）专业检测设备价格贵、在狭窄空间的特殊情况也不容易实施；

3）安装结构的松动或调整导致需要定期调校，对标定步骤的简易性提出了要求；

4）量产化需求引出的自动参数调校需求，对标定结果的可信度提出了要求；

基于以上原因，在业内，一般以人工测量或从设计图纸得到的理论数据作为基础值，再使用相应的方法进行优化，以得到检测装置之间更准确的转换关系。

为了便于后续学习与提高，特意开此帖子，持续更新业内主流的解决方法。

围绕SLAM的两大分支，我们将外参标定分成激光扫描器和相机两部分，分别总结激光扫描器和相机与其他检测装置之间的参考标定方法。

注：本文只总结方法，提炼思路，不做公式推导，请轻松食用！

1.  激光雷达的标定

激光雷达的标定有2种，分为激光雷达到IMU的标定和激光雷达之间的标定。

1.1 激光雷达到IMU的标定可使用经典的手眼标定法

外参标定也分两部进行。先找初值，再进行优化。

1.1.1 外参初值

外参找初值的基本原理是，激光雷达到IMU的标定是一个经典的手眼标定问题 AX=XB 。

其中，X 为激光雷达到IMU的坐标转换矩阵， A 为激光雷达2次移动的坐标转换， B 为IMU2次移动的坐标转换，最后用最小二乘法，求解出激光雷达到IMU的坐标转换关系 X 。

可以自己写一个，也可以试试OpenCV的calibrateHandEye手眼标定接口。

1.1.2 外参优化

有了外参初值后，进行外参优化。

基于前一步求得的外参初值，对激光雷达点云进行拼接。由于初值求解误差的存在，不同位置采集的点云拼接后存在对齐误差。具体表现为拼接点云视觉效果模糊、场景中的边缘结构不锐利。为此，算法第二部分将利用优化