以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學習資料 → 機器人SLAM學習資料大禮包

#論文# TEScalib: Targetless Extrinsic Self-Calibration of LiDAR and Stereo Camera for Automated Driving Vehicles with Uncertainty Analysis

論文地址：https://arxiv.org/abs/2202.13847

作者單位：卡爾斯魯厄理工學院

? ? ? 在本文中，我們提出了一種新型的激光雷達和雙目相機外部自標定方法TEScalib，該方法利用周圍環(huán)境的幾何和光度信息，無需任何校準目標，用于自動駕駛車輛。由于激光雷達和雙目攝像機被廣泛應(yīng)用于自動駕駛車輛的傳感器數(shù)據(jù)融合，因此它們的外部標定非常重要。然而，大多數(shù)激光雷達和立體攝像機標定方法主要是基于目標的，因此耗時。即使是最近幾年新開發(fā)的無目標方法也不準確或不適合駕駛平臺。

? ? ?為了解決這些問題，我們引入了TEScalib。采用基于三維網(wǎng)格重建的點云配準方法，利用幾何信息準確、魯棒地估計了激光雷達對立體攝像機的外部參數(shù)。為了標定立體相機，建立了測光誤差函數(shù)，并利用激光雷達深度將關(guān)鍵點從一個相機轉(zhuǎn)換到另一個相機。在行駛過程中，這兩個部分被迭代處理。此外，我們還提出了一種不確定性分析，以反映估計的外部參數(shù)的可靠性。我們在KITTI數(shù)據(jù)集上評估的TEScalib方法取得了非常好的結(jié)果。

本文貢獻如下：

1、采用3D網(wǎng)格重建的激光雷達立體校準實現(xiàn)了大收斂范圍和高精度。

2、帶有光度誤差函數(shù)的左右相機校準對相機姿態(tài)敏感，但對來自LiDAR 3D網(wǎng)格的關(guān)鍵點深度不敏感，這使得從糟糕的LiDAR深度初始化開始的在線迭代聯(lián)合校準具有意義。

3、不確定性分析有助于評估在不同駕駛場景下每個單一維度估計的外部參數(shù)的可靠性。

以上內(nèi)容來自小六的機器人SLAM學習圈 每日更新內(nèi)容