Multi-LiCa：一种无运动和无目标的多LiDAR之间的标定框架

文章:Multi-LiCa: A Motion- and Targetless Multi - LiDAR-to-LiDAR Calibration Framework

作者：Dominik Kulmer1, Ilir Tahiraj1, Andrii Chumak1, and Markus Lienkamp

编辑：点云PCL

欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。

公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。文章未申请原创，未经过本人允许请勿转载，有意转载联系微信920177957。

摘要

当今的自动驾驶车辆依赖多种传感器来感知周围环境。为了提高感知能力或实现冗余，必须准确获取各传感器之间的相对位姿信息。本研究提出了一种新的传感器对齐方法，即 Multi-LiCa介绍了一种无需运动和标定目标的自动化多LiDAR间外参标定方法，该方法无需额外的传感器数据或初始位姿变换输入。该方法采用两步流程：首先通过基于特征匹配进行粗对齐，然后结合GICP（广义ICP）和基于代价的匹配策略进行精配准。只要单个传感器的视场存在部分重叠，该方法就可以适用于任意数量和位置的LiDAR。实验表明，我们的标定流程在不同的传感器设置和场景下具有更好的泛化能力，并且在标定精度上与现有方法相当或更优。该框架已集成到 ROS2，同时也可以作为独立应用程序运行。该方法已开源：https://github.com/TUMFTM/Multi_LiCa。

图 1：EDGAR 车辆的 LiDAR 配置，上图显示前视角，下图显示后视角。其中，a) 中程 Ouster OS-1，b) 远程 Seyond Falcon。

主要贡献

本研究专注于 LiDAR 与 LiDAR 之间的标定方法，无需额外的传感器（如相机或 IMU），因为这些额外传感器可能会引入额外的复杂性和误差。现有的多LiDAR 标定方法通常假设所有 LiDAR之间存在 共享的视场重叠区域，并且依赖一个主要LiDAR（如车顶 LiDAR）进行特征匹配 。然而EDGAR 的LiDAR布局缺乏所有 LiDAR 之间的重叠区域，使得现有方法难以适用。由于当前开源解决方案较少，我们提出了一种新的标定框架，该方法能够适用于 EDGAR 这类非典型配置，无需所有 LiDAR 之间存在视场重叠，也不依赖其他外部传感器。

图 2：EDGAR LiDAR 传感器的视场

本文的主要贡献如下：

• 提出了一种自动化、无运动、无标定目标的多 LiDAR 标定框架（Multi-LiCa），该框架适用于不同 LiDAR 排布、传感器类型和标定场景，且对 LiDAR 相对位姿无特殊要求，只需单个 LiDAR 视场之间存在部分重叠即可。提出了一种两步标定算法，包括基于特征匹配的粗对齐和基于 GICP（广义迭代最近点）的精配准，无需传感器初始位姿估计，同时可实现高精度标定。
• 引入了一种基于点对应关系的匹配策略，用于确定点云重叠区域，并提出了一种匹配与融合策略，以最大化收敛的可能性。
• 进一步提出了一种 LiDAR-to-Ground 标定方法，可计算 LiDAR 相对于系统基准坐标系的 滚转角（roll）、俯仰角（pitch）和 z 轴变换分量，符合 ISO 8855 标准，从而部分自动化并简化整体 LiDAR-to-Base 标定流程。

主要内容

本文提出的标定框架可分为两个阶段。首先，通过基于特征的匹配算法计算点云的粗配准，并将计算得到的变换矩阵用于第二阶段的精细配准，作为初始估计。

图 3：使用 OpenCalibs CROON 进行 EDGAR 前方（蓝色）、左侧（绿色）和右侧（橙色） LiDAR 的标定结果。

粗配准

为了避免手动定义初始估计，我们使用 快速点特征直方图（FPFH） 计算每个点云的特征向量。为了加快处理速度并使点云更加均匀分布，我们对每个点云进行体素化，采用 0.35m 作为体素大小，并用体素的质心表示该区域的点。然后在每个点周围定义一个半径（为体素大小的 5 倍），并在该半径范围内计算 FPFH 特征向量。使用迭代优化方法来确定最佳的体素大小和半径大小。接下来使用 TEASER++ 计算单个源点云和目标点云之间的变换矩阵。实验表明，与 FPFH 结合 RANSAC 进行匹配的方法在不同场景和传感器配置下鲁棒性较差，容易产生错误匹配。因此采用 TEASER++，并将计算得到的所有变换存储为后续 精细配准 的初始估计。

精细配准

精细配准的核心算法是 广义迭代最近点（GICP），其基本思路是将单个 LiDAR-to-LiDAR 的标定方法扩展到多个 LiDAR，使每个 LiDAR 之间都能完成标定。由于 GICP 需要匹配重叠区域的特征，因此重叠区域的多少对标定至关重要。然而，在多个 LiDAR 标定至一个目标 LiDAR 时，由于目标 LiDAR 视场（FOV）有限，某些 LiDAR 可能无法直接与目标 LiDAR 形成足够的重叠区域，但它们可能与其他 LiDAR 有重叠。

使用 Open3D 的 GICP 计算匹配得分（fitness score） 来评估重叠区域大小，计算方法为：fitness score=匹配点数/目标点云总点数

在本研究假设每个 LiDAR 要么直接与目标 LiDAR 共享 FOV，要么与其他与目标 LiDAR 有重叠的 LiDAR 共享 FOV，即形成 级联依赖关系（如 A → B → C → T，见图 4）。如果该假设不成立，则至少有一个 LiDAR 无法完成标定。

图 4：LiDAR 传感器视场（FOV）及其重叠区域的示意图。

对每对源 LiDAR 和目标 LiDAR 运行 GICP，并根据 fitness score 判断配准是否成功，实验发现 fitness score > 0.2 可视为成功配准。

成功配准后，源点云会被转换到目标点云坐标系，并进行合并，从而增加重叠区域，使得最初未直接重叠的 LiDAR 也可以借助新的点云进行标定。该迭代方法提高了环境特征的匹配概率，并能处理 没有直接 FOV 重叠 的多传感器标定问题（见 算法 1）。

LiDAR-to-Ground 标定

除了 LiDAR-to-LiDAR 标定，我们还提出了一种 LiDAR-to-Ground（LiDAR 到地面）标定方法，用于计算 LiDAR 相对地面或系统基座的变换。在地面静止且平坦的假设下，可通过 GICP计算地面点云与LiDAR点云之间的变换。然而，由于地面点云缺乏明显特征，无法计算 x、y 方向和偏航角（yaw）的变换，但可以求得 z 方向偏移量、俯仰角（pitch）和横滚角（roll）。还采用 RANSAC 平面分割 计算 pitch 和 roll 角，实验表明 RANSAC 的精度高于 GICP。

参数优化

为了确保 RANSAC、FPFH、TEASER++ 和 GICP 在各种传感器配置和数据集上具有最优标定效果，我们对这些方法的参数进行了实验优化。

优化的重点是 提高标定的鲁棒性和精度，计算了 平移误差（MAE）和旋转误差的方差，最终确定了一组适用于所有标定任务的 统一参数。

数据集准备

选用了 EDGAR 数据集（见 图 6）和 HeLiPR 数据集（见 图 5）进行实验

图 5：HeLiPR 数据集示例，其中 Ouster（蓝色）、Velodyne（黑色）、Livox（橙色）和 Aeva（绿色）的 LiDAR 点云数据。

图 6：EDGAR 数据集示例，其中前方（蓝色）、后方（橙色）、左侧（绿色）和右侧（黑色）的 LiDAR 点云数据。

EDGAR 数据：从测试驾驶记录中 采样 10 组静态场景，并使用手动标定作为 基准真值（ground truth）。

手动标定方法：在车辆周围放置 边长 0.5m 的立方体，并利用 ROS 2 RVIZ2 工具手动对齐立方体的可视边缘。

HeLiPR 数据：包含 Ouster OS2-128、Velodyne VLP-16、Livox Avia 和 Aeva Aeries II 四种 LiDAR，其中 两种旋转式、两种固态式，具有不同的扫描模式和分辨率，为多 LiDAR 标定带来了挑战。数据集自带绝对姿态（ground truth），但点云存在 失真（distortion），因此我们使用官方提供的 toolbox1 进行 点云校正。

实验

为了评估我们的方法，使用上述数据集对我们的方案和CROON进行了标定计算，因为CROON在多LiDAR到LiDAR标定功能方面是最接近的比较方法。

HeLiPR 数据集

图 7 显示了我们的方法和CROON在采样的HeLiPR数据集上的标定结果。专注于平移误差，两个方法在各个轴上的精度相当，除了CROON出现了更多的离群值。对于两个样本，CROON未能将Velodyne LiDAR的结果收敛到接近地面真实值。由于这些值与其他值差异较大，因此在图中不可见。

图 7：Multi-LiCa 和 CROON 在 HeLiPR 和 EDGAR 数据集上的平移和旋转误差。

旋转误差再次显示了两个方法的相似趋势。显然，两个方法对于俯仰角和横滚角的绝对误差较大，但相似。对于两个方法，当可视化标定后的点云时，这一偏差在地面真实数据中并不明显。这可能暗示HeLiPR地面真实数据存在误差。我们将第一个采样数据与地面真实位姿进行转换，发现Aeva数据的平移和旋转存在显著偏差（图 8）。因此，这些值必须以相对的方式进行比较。CROON在x86 CPU 3 GHz的单核上计算的平均时间为9秒，而Multi-LiCa为3秒。

图 8：HeLiPR Aeva（绿色）和 Ouster（蓝色）LiDAR 数据的对准误差。

EDGAR 数据集

对于EDGAR数据集，出现了完全不同的趋势。我们的方法在平移位置上接近地面真实值，而CROON在许多情况下未能做到这一点。从标准差和离群值可以看出，CROON在计算有效标定结果方面存在困难。

旋转误差的趋势在两种方法中更加明显。分析个别LiDAR标定时，CROON特别未能对准后LiDAR。在HeLiPR数据中，初始对准与地面真实值之间的差异相对较小，而在EDGAR数据中则较大。由于EDGAR LiDAR的方向性，强大的初始粗略估计尤其重要。CROON在这一点上明显表现不佳，导致高偏差和错误对准。CROON基于RANSAC算法进行第一次对准，我们发现对于EDGAR数据集，RANSAC可能导致点云之间的不稳定对准。原因可能是小的重叠FOV、缺少一个主LiDAR与所有源点云重叠以及点云之间的方向差异。CROON的计算时间也非常长。第一样本的位姿估计花费了超过1300秒，而Multi-LiCa平均仅花费了3秒。使用我们的方法标定后的EDGAR LiDAR传感器对齐如图 9 所示。

图 9：经过 Multi-LiCa 标定后的 EDGAR 前（蓝色）、左（绿色）、右（橙色）和后（黑色）LiDAR 融合点云。

总结

通过Multi-LiCa展示了一种稳健且准确的点云标定方法，该方法不需要标定目标或特定环境特征进行数据匹配。Multi-LiCa受益于在精细配准中计算出的稳健初步估计，提供了在测试场景中的先进标定结果。展示了我们的方法足够稳定，能够处理不同的传感器配置、类型和扫描模式，而不需要手动定义初步位姿对齐的估计。对HeLiPR和EDGAR数据的测试结果在视觉和定量上都显示了与现有标定工具相比的准确结果。