ICRA 2023 | 最新激光雷达-相机联合内外参标定，一步到位！( 五 ) _相机

表I 一阶段式和两阶段式标定平均重投影误差
One-stage
0.757 pixel
1.104 pixel
Two-stage
0.546 pixel
5.428 pixel
3）定性结果：为了更好的可视化我们方法的性能，用我们方法标定得到的内参和外参将点云投影到图像平面。结果如图8所示，根据所提出方法来提取的标定参数能实现两种数据模态之间的完美对齐。图9显示了圆心重新投影在标定板上的效果。
图八图8 在四种不同场景中的点云投影，投影点颜色由激光雷达强度表示
图九图9 真实实验：在标定板上圆心重投影。黑色圆圈是激光雷达投影点，白色十字是计算的图像点。
4）对比实验：论文[23]和论文[30]中的方法与我们的方法进行了比较，这两种方法都是用棋盘格作为标定目标。第一种方法[23]是通过最小化从LiDAR点到从图像估计的棋盘平面的距离来估计外参。第二种方法[30]通过标定板上的ArUco标记图案和圆心进行配准来估计外参。首先，我们花了很多努力在标定相机内参上面。如图10所示，图像中A框和B框显示失真效果良好。然而，由于相机焦距和光学中心的小误差，用论文[23]和[30]的两种方法求得的标定参数在某些地方仍然无法对齐点云和图像。对于这种情况，我们的方法可以调整内参以使点云和图像完美对齐。
图十图10 通过文献30中的方法对激光雷达和相机外参标定 B-仿真实验
我们还在仿真环境中用我们的方法进行了实验。我们可以在仿真环境中获得传感器标定的地面真值。在Carla模拟器[32]中，我们产生了3个标定数据组，在表II中我们定量比较了激光雷达相机外参标定的平均值与地面真值。图11也显示了圆心在标定板上的投影效果。结果表明，所提出的方法能够实现准确度和鲁棒性。
表II 定量评估的平移和旋转矩阵
(m)(m)(m)(°)(°)(°)
GT
0
0.595
2.5
-90
0
90
Our
-0.001
0.5912
2.5079
-90.002
0.011
90.004
图十一图11 模拟实验：在标定板上重新投影圆心。黑色圆圈是激光雷达投影点，白色十字是计算的投影点 5、结论
本文提出了一个新颖的基于目标的相机内参和lidar-外参联合标定的方法。定性和定量的结果证明了我们方法的性能和有效性。代码已开源。
在真实环境中，由于点云的稀疏性，圆心的提取精度可能会降低。未来，我们期待使用车辆运动的多帧数据来增加点云的密度，从而提高圆心的提取精度，从而进一步提高标定性能。
6、参考
Jointand LiDAR-
视频课程来了！
自动驾驶之心为大家汇集了毫米波雷达视觉融合、高精地图、BEV感知、传感器标定、传感器部署、自动驾驶协同感知、语义分割、自动驾驶仿真、L4感知、决策规划、轨迹预测等多个方向学习视频，欢迎大家自取（扫码进入学习）
（扫码学习最新视频）
国内首个自动驾驶学习社区
近1000人的交流社区，和20+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！
【自动驾驶之心】全栈技术交流群
自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向；