本文详细解读了HKU Mars实验室开源的lidar_camera_calib项目，重点探讨了非目标方式的相机LiDAR联合标定。项目通过线特征匹配实现优化，其优点包括简洁的特征提取和有效的迭代优化，但对低线数LiDAR和环境有一定要求。在粗匹配阶段，通过枚举角度组合寻找最佳欧拉角；精匹配阶段则逐步缩短匹配距离并连续使用ceres优化。该项目提供了一种创新的标定方法，具有一定的启发意义。
碎碎念
最近在调研一下non-target 方式的相机Lidar联合标定，其中包括HK mars实验室开源的项目GitHub - hku-mars/livox_camera_calib: This repository is used for automatic calibration between high resolution LiDAR and camera in targetless scenes.
这个项目在刚开始并没有得到我的足够重视，潜意识里觉得这种基于线特征的匹配不是太靠谱，但是，在仔细阅读代码后，还是觉得很多细节的处理让人收益匪浅。
先谈谈目前对于这个项目的感受吧
优点：
- 特征的提取不复杂（没有利用语义这些）但是看起来有效
- 优化的迭代方式有效（损失函数的有效建立 + 迭代过程的细节处理）
- 最后结果看起来不错
缺点：
- 不太适用于低线数的机械雷达
- 点云线特征的提取有点慢，相比于图像。
- 对于环境的要求还是比较高的（相比于一些端对端的calib网络）
- 和ros的结合有点鸡肋，项目内容似乎并不依赖ros的通信机制
Whatever，相比于一些利用枚举法求解最优值的项目，这个项目的方法还是不知道高明到哪里去了。
rough calibration
粗匹配中，会通过枚举的方式会得到很多角度的组合，对于每一个组合，会计算一个metric。然后，选择metric表现最好的欧拉角。
所以，对应的
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
