Temporal and Spatial Online Integrated Calibrationfor Camera and LiDAR论文阅读

目录

摘要

主要贡献

​方法

A 位姿评估模型 

B 线特征提取

C 投影和特征滤波

D动态点云目标去除

E 搜素优化 

---

摘要

相机雷达使用很广泛，但是很少有工作将时间同步和外参标定关联上，而这对数据融合很重要。时间空间标定技术面临这关联性缺失和实时性的挑战。本文提出一种位姿评估模型和环境鲁棒线特征提取算法来提升数据关联和在线实时估计的能力。动态目标消除旨在寻求寻求更优策略，考虑相邻运动点云配准的对应性。搜索优化的策略旨在提供更优的参数，同时考虑到计算的精度和效率。我们在KITTI上评估了我们的算法，在在线实验中，相比于时间标定中的软同步方法，我们的方法提升了38.5%的精度。在空间标定中，我们的方法可以自动纠正0.4s内的扰动误差，以及达到0.3°的精度。这份工作对传感器的融合的研究与应用有一些用处。

主要贡献

1）提出一个新的位姿评估模型，用于在时空在线标定中减少时间延迟和外参漂移

2）提出一个消除动态点云的方法，其仅仅使用项链两帧的关联性，而不是基于先验信息的检测框

3）引入搜索优化方法提升优化效率，以及一个新的精度评估方法来评估标定结果的精度。

方法

A 位姿评估模型 

B 线特征提取

图片线特征提取：主要采用灰度图处理和canny边缘话，参考论文[Lsd: a line segment detector ]。

LiDAR线特征提取：点云被分为不同线束，边界线特征点提取利用的是距离的连续性。为了在低线束LiDAR中提取足够的线特征，使用局部建图将三帧关联到一起，则一次可以展示更多的点云。依赖GPS信号的强度和自动驾驶场景的精度要求，我们提出两种局部建图方法：基于GPS方式和NDT。前者效率高精度偏低，NDT效率低精度较高。

C 投影和特征滤波

将点云通过旋转平移矩阵投影到图片中，在特征提取中滤除外点。LiDAR点云转为图片格式之后，一个8像素边界卷积核在图片中滤除外点，以从图片中获得更加规范的线特征。我们已经地面点云滤除，因为他们的横向线特征配准不太好。

D动态点云目标去除

尽管静止点云更多，但是相比于基于原始点云的配准方法，基于线特征的配准方法会受到更大的影响，所以动态点云滤除很有必要。

动态点云滤除当前广泛使用深度学习目标检测。原始点云和先验信息作为检测网络的输入，其可以识别可能的动态物体，返回检测框。然后根据检测框神粗动态点云。然而这种方法依赖先验信息和检测网络，其无法满足在线标定的实时性。

我们提出一个轻量的高精度方法。kd二叉树用于寻找最近邻点。静止目标的最近邻配准点距离应该很小，而动态物体的更大，所以我们设定一个阈值来滤除动态目标。因为t时刻的点云是推测的，而不是时刻的真值，所以会存在一个角度误差。依据三角形相似原理，更远的动态物体需要一个更大的阈值来滤除，所以我们设定了一个线性因子来修正阈值。动态物体通过线性动态阈值滤除，以及聚类用于后续分析

E 搜素优化 

上一阶段中，LiDAR线特征已经被提取并投影到图片中，而且其投影比例已经计算好了。

为了计算精度，Fig5所示，基于不同灰度率提出四个搜索步骤。

为了计算效率，使用搜索方式来优化代价函数。在[Line-based automatic extrinsic calibration of lidar and camera,ICRA]中，他们和相邻的728个分数中对比了当前的函数分数，如果搜索程序发现更高分数的参数，就会停止当前搜索步骤，然后在一个更高分数位置开始新的搜索。这种方法会在达到迭代次数上限或者找到最好分数后停止。我们改进了此方法，当最快的梯度下降方向被找到之后，我们沿着这个方向可以更快优化。Algorithm1展示了我们的方法