Joint Optimization-based Targetless Extrinsic Calibration for Multiple LiDARs and GNSS-Aided INS of Ground Vehicles
Institute of Systems Engineering and Collaborative Laboratory for Intelligent Science and Systems, Macau University of Science and Technology（系统工程研究院和智能科学与系统联合实验室，澳门科学技术大学）；Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学）
本文提出一种针对多LiDAR与GNSS辅助INS的无目标外参标定方法，利用GINS安装高度约束平面运动下的不可观测参数，并通过联合优化框架结合几何与运动一致性优化外参和轨迹，适用于异构LiDAR配置。
2025-07-11 cs.RO
Multi-LiCa: A Motion and Targetless Multi LiDAR-to-LiDAR Calibration Framework
Institute of Automotive Technology（汽车技术研究所）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与智能机械研究所）；Technical University of Munich（慕尼黑技术大学）
提出Multi-LiCa，一种自动、无目标的多激光雷达外参标定框架，采用特征匹配粗对齐与GICP精细配准，无需初始变换，精度优于现有方法，已开源。
2025-01-19 cs.RO
Targetless Intrinsics and Extrinsic Calibration of Multiple LiDARs and Cameras with IMU using Continuous-Time Estimation
College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）；MEGVII Technology（旷视科技）
针对异步、非重叠视场的多相机与多激光雷达时空标定难题，提出基于连续时间与BA的无标定板流程，联合优化内参、6自由度外参和时间偏移。
2025-01-06 cs.RO
PeLiCal: Targetless Extrinsic Calibration via Penetrating Lines for RGB-D Cameras with Limited Co-visibility
针对多RGB-D相机有限重叠场景的外参标定难题，提出基于穿透线的无靶标实时标定方法PeLiCal，利用长线特征与收敛投票算法滤除异常值，实现抗异常值的性能。
2024-04-23 cs.CV cs.RO
Galibr: Targetless LiDAR-Camera Extrinsic Calibration Method via Ground Plane Initialization
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电气工程学院）；Hanwha Aerospace（韩华宇航公司）
本文提出 Galibr，一种利用地平面初始化与边缘匹配的全自动无标定靶 LiDAR-相机外参标定方法，并在 KITTI 和 KAIST 数据集上验证其性能提升。
2024-06-14 cs.CV cs.RO
Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy
针对多模态传感器外参易因振动偏移的问题，提出基于圆柱空间占据一致性的LiRaCo无目标6DoF标定方法，经真实户外数据集实验验证具备可行性与准确性。
2025-03-21 cs.AI cs.RO
Spatiotemporal Camera-LiDAR Calibration: A Targetless and Structureless Approach
DATA61, CSIRO（联邦科学与工业研究组织数据61研究所）；Queensland University of Technology (QUT)（昆士兰科技大学）；Sun Moon University（鲜文大学）
由于这些系统提供的鲁棒性，可靠性和准确性的增加，对机器人多模态传感系统的需求正在增长。这些系统还需要在空间和时间上共同配准才能有效。本文提出了一种无目标、无结构的时空相机-LiDAR定标方法。我们的方法结合了封闭形式的解决方案与修改后的无结构光束法平差的粗到精的方法不{需要}的时空参数的初始猜测。此外，由于3D特征（结构）仅从三角测量计算，因此不需要具有校准目标或将2D特征与3D点云匹配，这在校准过程和传感器配置中提供了灵活性。我们证明了所提出的方法的准确性和鲁棒性，通过模拟和真实数据实验，使用多个传感器的有效载荷配置安装到手持，空中和足式机器人系统。此外，定性结果以彩色点云可视化的形式给出。
2020-01-17 cs.CV cs.RO
UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations
School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Electronic Information, Wuhan University（武汉大学电子信息学院）；School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
针对LiDAR-相机无目标标定中特征不一致和忽略显著区域的问题，提出DF-Calib方法，将其转化为模态内深度流估计问题，通过共享编码器和可靠性图实现高精度对齐。
2025-08-09 cs.CV cs.RO
EdgeCalib: Multi-Frame Weighted Edge Features for Automatic Targetless LiDAR-Camera Calibration
University of Science and Technology of China (USTC)（中国科学技术大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）
提出EdgeCalib，一种基于多帧加权边缘特征的无目标LiDAR-相机自动在线标定方法，利用SAM提取图像边缘并结合多帧加权策略过滤点云边缘，在KITTI等数据集上实现了0.086°旋转和0.977cm平移的SOTA精度。
2023-10-25 cs.CV cs.RO
Online Targetless Radar-Camera Extrinsic Calibration Based on the Common Features of Radar and Camera
University of Arizona（亚利桑那大学）
针对雷达-相机外参标定依赖目标、流程复杂的问题，提出利用深度学习提取雷达 RDA 数据与图像共同特征并隐式匹配目标的在线无目标标定方法，结合 RANSAC 与 LM 优化估计外参矩阵，真实实验验证了其准确性。
2024-01-24 cs.RO cs.SY eess.IV
iKalibr: Unified Targetless Spatiotemporal Calibration for Resilient Integrated Inertial Systems
Wuhan University（武汉大学）
针对现有标定方法面向特定系统、忽略时间标定且依赖人工靶标的问题，提出面向弹性集成惯性系统的统一无目标时空标定框架iKalibr，通过动态初始化与连续时间批量优化实现IMU、雷达、LiDAR和相机的准确标定并开源。
2024-11-14 cs.RO
An Extrinsic Calibration Method between LiDAR and GNSS/INS for Autonomous Driving
Shanghai AI Laboratory（上海人工智能实验室）
准确可靠的传感器校准对于在自动驾驶中融合LiDAR和惯性测量至关重要。提出了一种新的自主驾驶LiDAR与GNSS/INS的三阶段外定标方法。第一阶段通过点云表面特征快速标定传感器间的外参数，使外参数在短时间内从较大的初始误差缩小到较小的误差范围。第二阶段可以进一步基于LiDAR映射空间占用来校准外部参数，同时去除运动失真。在最后阶段，由自主车辆的平面运动引起的z轴误差被校正，并且最终获得准确的外参数。具体地说，该方法利用了环境中的平面特征，使得快速进行标定成为可能。在真实数据集上的实验结果证明了该方法的可靠性和准确性。代码在Github网站上开源。代码链接是https://github.com/OpenCalib/LiDAR2INS。
2023-02-28 cs.RO
Online Joint Calibration of Steering Offset and Planar LiDAR Extrinsics for Wheeled Mobile Robots
ATI Motors
针对仓库移动机器人手动校准转向偏移与激光雷达外参易出错的问题，提出基于扩展卡尔曼滤波的在线联合校准方法，经实验验证可有效降低横向跟踪误差。
2026-08-28 cs.RO
Extrinsic Calibration and Verification of Multiple Non-overlapping Field of View Lidar Sensors
Scania CV AB（斯堪尼亚商用车公司）
提出一种无需外部辅助的大型移动平台多激光雷达外参标定框架，利用对偶四元数插值与手眼标定恢复非重叠视场外参，并通过相机投影语义特征验证，实验证明优于CAD参数且可扩展。
2022-05-14 cs.RO
Joint Camera Intrinsic and LiDAR-Camera Extrinsic Calibration
Shanghai AI Laboratory（上海人工智能实验室）
基于传感器的环境感知是自动驾驶系统的关键步骤，多个传感器之间的准确校准起着关键作用。对于LiDAR和摄像机的标定，现有的方法一般是先标定摄像机的内标，再标定LiDAR和摄像机的外标。如果相机的内标在第一阶段没有被正确标定，则不容易准确地标定LiDAR相机的外标。由于摄像机内部结构复杂，缺乏有效的内参数标定定量评价方法，在实际标定中，摄像机内参数的微小误差往往会降低外参数标定的精度。为此，我们提出了一种新的基于目标的相机内参数和激光雷达相机外参数的联合标定方法。首先，我们设计了一种新的校准板图案，在棋盘周围增加了四个圆孔，用于定位LiDAR位姿。随后，下定义的棋盘格和圆孔特征的重投影约束下的成本函数的设计，以解决相机的内参数，失真因子，和激光雷达相机的外参数。最后在实际环境和模拟环境下进行了定量和定性实验，实验结果表明该方法具有较好的准确性和鲁棒性。开放源代码可在https://github.com/OpenCalib/JointCalib上获得。
2023-02-24 cs.RO
Extrinsic Calibration of Multiple LiDARs for a Mobile Robot based on Floor Plane And Object Segmentation
Sony Group Corporation（索尼集团公司）
针对视场无重叠的多LiDAR外参标定难题，提出一种基于累积地面与目标点云的无靶标标定方法，搭配考虑扫描模式的去噪模块，在仿真与真实机器人实验中均优于传统方法，可构建一致三维地图。
2024-09-13 cs.RO
LV-Calib: LiDAR-Camera Extrinsic Calibration with Boundary-Response Modeling
Pen-Tung Sah Institute of Micro-Nano Science and Technology, Xiamen University（厦门大学萨本栋微米纳米科学技术研究院）
提出LV-Calib框架，利用可打印平面靶标，通过视觉基准和圆形反射率边界，结合强度与几何约束优化LiDAR特征点，实现LiDAR-相机外参标定和边界响应校准，达到亚像素重投影精度和毫米级特征一致性。
2026-06-16 cs.RO
Imaging radar and LiDAR image translation for 3-DOF extrinsic calibration
提出一种利用CycleGAN将雷达图像转换为LiDAR风格图像的3-DOF外参标定框架，结合图像配准与去畸变技术，在MulRan数据集上显著优于滤波方法。
2024-03-27 cs.RO
Extrinsic Calibration of LiDAR, IMU and Camera
Texas A \& M Univeristy, College Station, USA
在这项工作中，我们提出了一种新的方法来联合校准的传感器套件组成的三维激光雷达，惯性测量单元（IMU）和相机下的扩展卡尔曼滤波器（EKF）的框架。我们利用3个传感器对之间的成对约束进行EKF更新，并通过实验证明了联合校准相对于单个传感器对校准所获得的优越性能。
2022-05-18 cs.RO
Extrinsic Calibration of a 3D-LIDAR and a Camera
Texas A&M University（德克萨斯农工大学）；Ford Motor Company（福特汽车公司）
本文提出了一种利用平面表面点到平面和平面边缘点到反投影平面的几何约束，在无标记平面目标上实现三维激光雷达和投影相机之间的外参数估计算法。所提出的方法使用通过将平板以不同姿态放置在LIDAR和相机的共同视场中而收集的数据。这些步骤包括：在LIDAR和相机帧中检测目标和目标的边缘，在两个感测模态上匹配检测到的平面和线，以及最终求解由上述几何约束形成的成本函数，该成本函数使用非线性最小二乘法将在LIDAR和相机中检测到的特征联系起来。我们使用两款Basler相机Velodyne VLP-32和Ouster OS 1 LIDAR对算法进行了广泛验证。
2020-05-19 cs.RO
DXQ-Net: Differentiable LiDAR-Camera Extrinsic Calibration Using Quality-aware Flow
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
激光雷达摄像机的精确外标定是移动机器人多传感器系统的前提。大多数校准方法依赖于费力的手动操作和校准目标。在线工作时，校准方法应该能够从环境中提取信息，以构建跨模态数据关联。卷积神经网络（CNN）具有强大的特征提取能力，已被用于标定。然而，大多数过去的方法解决外部作为一个回归任务，而不考虑所涉及的几何约束。在本文中，我们提出了一种新的端到端的外部校准方法命名为DXQ-Net，使用可微的姿态估计模块进行推广。我们制定了一个概率模型的激光雷达相机校准流程，产生的不确定性的预测来衡量激光雷达相机数据关联的质量。测试实验表明，我们的方法在平移分量上达到了与其他方法相竞争的水平，在旋转分量上达到了最先进的性能。泛化实验表明，该方法的泛化性能明显优于其他基于深度学习的方法。
2022-03-17 cs.RO
Target-free Extrinsic Calibration of a 3D-Lidar and an IMU
Texas A&M University（得克萨斯农工大学）；Ford Motor Company（福特汽车公司）
本文提出了一种新的无目标外部标定算法，用于三维激光雷达和IMU对，使用扩展卡尔曼滤波器（EKF），利用\textit{motion based calibration constraint}进行状态更新。这些步骤包括，通过激光雷达惯性传感器套件沿所有自由度的运动激励来数据汇集，通过在最小二乘优化框架中使用上述\textit{motion based calibration constraint}的旋转分量来确定传感器间旋转，以及最后，使用\textit{motion based calibration constraint}来确定传感器间平移在扩展的卡尔曼滤波器（EKF）框架中进行状态更新。我们使用实验室收集的数据和开源（https：//github.com/unmannedlab/imu_lidar_calibration）我们对机器人研究社区的贡献来实验验证我们的方法。
2021-09-28 cs.RO
Target-free Extrinsic Calibration of Event-LiDAR Dyad using Edge Correspondences
The University of Hong Kong（香港大学）；Centre for Transformative Garment Production（变革性服装生产中心）；Peng Cheng Laboratory（鹏城实验室）
本文提出一种无需标定板的事件相机与激光雷达外部参数标定方法，通过关联事件和点云中的边缘特征，实现高鲁棒性的标定。
2023-05-06 cs.RO
General, Single-shot, Target-less, and Automatic LiDAR-Camera Extrinsic Calibration Toolbox
National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文介绍了一个开源的LiDAR相机校准工具箱，该工具箱适用于LiDAR和相机投影模型，只需要一对LiDAR和相机数据，无需校准目标，并且是全自动的。对于自动初始猜测估计，我们使用SuperGlue图像匹配管道来查找LiDAR和相机数据之间的2D-3D对应关系，并通过RANSAC估计LiDAR-相机变换。在给定初始猜测的情况下，我们基于归一化信息距离（一种基于互信息的跨模态距离度量）通过直接LiDAR相机配准来改进变换估计。对于方便的校准过程，我们还提供了几种辅助功能（例如，动态LiDAR数据集成和用于手动进行2D-3D对应的用户界面）。实验结果表明，该工具箱能够对旋转和非重复扫描激光雷达、针孔和全向相机的任意组合进行标定，比现有的基于边缘对齐的标定方法具有更好的标定精度和鲁棒性。
2023-02-10 cs.RO
Online Target-less Radar-LiDAR-Camera Extrinsic Calibration via Joint Optimization
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院（KAIST））；Kookmin University（国民大学）；LG Innotek（LG伊诺特）
本文提出一种联合优化框架，通过构建各传感器对残差并同时优化外参，结合自适应雷达噪声滤波和对应累积策略，实现在线无靶标雷达-激光雷达-相机标定，降低标定误差。
2026-10-06 cs.RO
Experimental Evaluation of 3D-LIDAR Camera Extrinsic Calibration
Texas A&M University（德克萨斯A&M大学）；Ford Motor Company（福特汽车公司）
在本文中，我们进行了三个不同的目标为基础的三维激光雷达相机标定算法的实验比较。我们简要阐述了每种方法背后的数学背景，并提供了对所有这些方法的数据汇集的便利性等实际方面的见解。我们广泛评估这些算法的传感器套件，其中包括多个相机和激光雷达通过评估其鲁棒性随机初始化和使用指标，如平均线重投影误差（MLRE）和工厂立体校准误差。我们还展示了噪声传感器对所有算法的校准结果的影响，并总结了在什么情况下应该使用哪种校准算法。
2020-07-03 cs.RO
PLK-Calib: Single-shot and Target-less LiDAR-Camera Extrinsic Calibration using Plücker Lines
Department of Electrical and Computer Engineering, University of California, Riverside（电气与计算机工程系，加州大学河滨分校）
本文提出基于普吕弗线的单次拍摄无目标算法，用于高精度激光雷达-摄像头外参校准，通过几何特性分解旋转和平移，提升校准精度。
2026-01-02 cs.RO
FAST-Calib: LiDAR-Camera Extrinsic Calibration in One Second
Department of Mechanical Engineering, The University of Hong Kong（香港大学机械工程系）
提出基于定制 3D 靶标的 FAST-Calib，通过扫描模式无关的边缘提取、椭圆拟合补偿和多场景联合优化，在三类 LiDAR 上实现低于 0.7 秒、误差小于 6.5 毫米的高精度自动外参标定。
2025-07-23 cs.RO
Observability-aware online multi-lidar extrinsic calibration
Scania CV AB（斯堪尼亚商用车公司）
提出一种基于GNSS与激光雷达位姿匹配的在线多激光雷达外参标定方法，利用旋转分量比较和最大互信息位姿选择提升鲁棒性，并在Scania车辆数据上验证了其准确性。
2022-12-19 cs.RO
Robust Extrinsic Self-Calibration of Camera and Solid State LiDAR
ComNav Technology Ltd.（司南导航技术股份有限公司）
本文提出一种相机与棱镜旋转式固态激光雷达的外参标定方法，通过利用深度不连续测量值去除空缺点以保留更多有效特征，并结合圆形性与矩形性约束，实现优于现有算法的鲁棒标定。
2023-02-13 cs.RO
Ground Plane-Aided Extrinsic Calibration of Inertial and RGB-D Sensors for Uncrewed Aerial Vehicles
University of Calgary（卡尔加里大学）
提出一种无需标定板的方法，利用深度学习地面分割提取深度图像中的地面点，结合法向量与重力向量鲁棒估计IMU与RGB-D相机的外参，性能优于MATLAB工具箱且与Kalibr相当。
2026-07-01 cs.RO
Robust Real-time LiDAR-inertial Initialization
University of Hong Kong（香港大学）
对于大多数LiDAR惯性里程计，精确的初始状态，包括LiDAR和6轴IMU之间的时间偏移和外部转换，起着重要的作用，通常被认为是先决条件。然而，这样的信息在定制的LiDAR惯性系统中可能并不总是可用的。在本文中，我们提出了LI-Init：一个完整的和实时的【形】LiDAR-惯性系统初始化过程，校准LiDAR和IMU之间的时间偏移和外部参数，以及重力矢量和IMU的偏差对齐状态估计从LiDAR测量与测量的IMU。我们将所提出的方法实现为初始化模块，如果启用，则自动检测所收集数据的激励程度，并在运行中校准时间偏移，外部，重力矢量和IMU偏差，然后将其用作实时的【形】LiDAR惯性测距系统的高质量初始状态值。不同类型的激光雷达和激光雷达惯性组合进行的实验表明，我们的初始化方法的鲁棒性，适应性和效率。我们的LiDAR惯性初始化程序LI-Init和测试数据的实现在Github上开源，并集成到最先进的LiDAR惯性测距系统FAST-LIO 2中。
2022-09-15 cs.RO
Observability-Aware Intrinsic and Extrinsic Calibration of LiDAR-IMU Systems
Zhejiang University（浙江大学）；University of Delaware（特拉华大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
准确可靠的传感器校准对于融合激光雷达和惯性测量至关重要，这通常适用于机器人应用。在本文中，我们提出了一种新的LiDAR-IMU校准方法在连续时间批量优化框架内，其中两个传感器的本征函数和传感器之间的时空extrinsics校准，而不使用校准基础设施，如基准标签。与离散时间方法相比，连续时间公式对于融合来自LiDAR和IMU传感器的高速率测量具有天然优势。为了提高效率并解决退化运动，利用两个可观测性感知模块：（i）信息理论数据选择策略在数据汇集期间仅选择用于校准的信息量最大的段，这通过仅处理所选择的信息量段来显著提高校准效率。(ii)非线性最小二乘优化中的可观测性感知状态更新机制通过截断奇异值分解（TSVD）仅更新状态空间中的可识别方向，这使得即使在信息数据段不可用的退化情况下也能够获得准确的校准结果。所提出的LiDAR-IMU校准方法已在不同机器人平台的模拟和真实实验中得到广泛验证，证明了其在常见的人造环境中的高精度和可重复性。我们还开源了我们的代码库，以使研究社区受益：{ \url{https://github.com/APRIL-ZJU/OA-LICalib} }。
2022-05-06 cs.RO
P$^2$Calib: Utilizing Pattern Priors for LiDAR-Camera Extrinsic Calibration
The Hong Kong University of Science and Technology（香港科技大学）
针对激光雷达-相机外参标定中孔中心提取精度受限问题，提出利用CAD模型几何先验（孔半径和矩形布局）的P$^2$Calib方法，显著降低配准残差和重投影误差。
2026-09-22 cs.RO
A Target-Based Extrinsic Calibration Framework for Non-Overlapping Camera-Lidar Systems Using a Motion Capture System
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）；University of California Los Angeles（加州大学洛杉矶分校）
提出一种基于运动捕捉系统（MCS）和迭代最近点方法的非重叠FOV激光雷达-相机外参标定框架，实现高精度可重复标定，优于现有方法并支持多种3D靶标设计。
2025-03-02 cs.RO
Accurate Fruit Localisation for Robotic Harvesting using High Resolution LiDAR-Camera Fusion
Monash University（莫纳什大学）
准确的深度传感在确保自然果园环境中机器人收获的高成功率方面起着至关重要的作用。固态激光雷达（SSL），最近推出的激光雷达技术，可以感知高分辨率的几何信息的场景，这可以是潜在的利用，以获得准确的深度信息。同时，激光雷达和摄像机的传感信息的融合可以显着提高收获机器人的感知能力。这项工作介绍了一种基于激光雷达相机融合的视觉传感和感知策略，以执行准确的水果定位的收获机器人在苹果园。两个SOTA外部校准方法，基于目标和无目标的，应用和评估，以获得准确的外部矩阵之间的激光雷达和相机。通过外部标定，将点云和彩色图像融合，使用一级实例分割网络进行水果定位。实验表明，在自然环境中，LiDAR相机具有较好的视觉感知质量。同时，引入激光雷达-摄像机融合技术大大提高了水果定位的准确性和鲁棒性。具体而言，通过使用LiDAR相机在0.5 m、1.2 m和1.8 m处定位水果的标准偏差分别为0.245、0.227和0.275 cm。这些测量误差仅为Realsense D455的五分之一。最后，我们附上了我们的可视化点云，以展示高度准确的传感方法。
2022-05-01 cs.RO
An optimization-based IMU/Lidar/Camera Co-calibration method
The University of Tokyo（东京大学）；Southeast University（东南大学）
近年来，多传感器融合技术在汽车导航定位领域取得了重大进展。作为融合算法的前提，多传感器的外定标需求日益增长。为了计算外参数，许多研究都致力于两步方法，该方法将各自的校准成对集成。由于忽略了所有传感器的约束条件，使得该方法效率低、结构不紧凑。针对这一问题，提出了一种基于优化的IMU/Lidar/Camera协同标定方法。首先，分别进行了IMU/相机和IMU/激光雷达的在线标定。然后，棋盘中的角点和表面特征点与粗结果相关联，并构造相机/激光雷达约束。最后，构造联合校准优化以细化所有外部参数。我们在仿真中评估了所提出的方案的性能，结果表明，我们提出的方法优于两步方法。
2022-09-26 cs.RO
MLOD: Awareness of Extrinsic Perturbation in Multi-LiDAR 3D Object Detection for Autonomous Driving
The Hong Kong University of Science and Technology（香港科技大学）；Huawei Technologies（华为技术有限公司）
多传感器系统中往往存在外部扰动。在本文中，我们专注于在三维目标检测多激光雷达系统的外在不确定性。我们首先用两个基本的例子分析了外部扰动对几何任务的影响。为了最大限度地减少外部扰动的不利影响，我们在输入点云的每个点上传播不确定性，并使用此信息来提升3D几何任务的方法。然后，我们扩展了我们的研究结果，提出了一种称为MLOD的多LiDAR 3D对象检测器。MLOD是一个两阶段的网络，其中多个LiDAR信息融合通过各种方案在第一阶段，和外部扰动处理在第二阶段。我们进行了广泛的实验，在真实世界的数据集上，并证明了MLOD的准确性和鲁棒性的改善。代码、数据和补充材料可在以下网址获得：https://ram-lab.com/file/site/mlod
2020-09-29 cs.CV cs.RO
GMMCalib: Extrinsic Calibration of LiDAR Sensors using GMM-based Joint Registration
Technical University of Munich（慕尼黑工业大学）；TUM School of Engineering and Design（慕尼黑工业大学工程与设计学院）；TUM School of Computation, Information and Technology（慕尼黑工业大学计算、信息与技术学院）
针对多 LiDAR 外参标定中 ICP 成对配准易受初值影响的问题，提出 GMMCalib，利用基于 GMM 的多点云联合配准提升错误标定下的鲁棒性，并经仿真与实车验证。
2024-04-08 cs.RO
IMU-based Online Multi-lidar Calibration
Scania（斯堪尼亚）；University of Oxford（牛津大学）
本研究提出一种无需里程计或基准标记的车辆多激光雷达在线外参标定方法，通过匹配共置IMU信号生成初始猜测，再利用ICP和点云特征匹配精化验证，并采用可观测性准则筛选高互信息测量子集，已在Scania测试车辆上成功验证。
2023-09-13 cs.RO
LiDAR and Camera Calibration using Motion Estimated by Sensor Fusion Odometry
Institute of Industrial Science, The University of Tokyo（东京大学产业技术研究所）；Microsoft（微软）
本文提出了一种无目标自动相机激光雷达定标方法。我们的方法是手眼校准框架的扩展到2D-3D校准。通过使用传感器融合里程计的方法，缩放相机运动的计算具有高精度。除此之外，我们阐明了适合这种校准方法的运动。该方法只需要三维点云和摄像机图像，不需要其他信息，如激光雷达的反射率和初始外参数。在实验中，我们证明了我们的方法使用几个传感器配置在室内和室外场景，以验证其有效性。我们的方法的准确性达到比其他可比的国家的最先进的方法。
2018-04-14 cs.CV cs.RO
L2E: Lasers to Events for 6-DoF Extrinsic Calibration of Lidars and Event Cameras
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
随着神经形态技术的成熟，其在机器人和自动驾驶汽车系统中的应用已成为一个活跃的研究领域。特别是，事件摄像机已经成为低功耗和延迟要求高的应用中基于帧的摄像机的引人注目的替代品。为了使事件相机能够与激光雷达等主要传感器一起工作，我们提出了一种事件相机和激光雷达之间的直接，时间解耦的外部校准方法。利用事件相机的高动态范围、高时间分辨率和低延迟操作来直接记录激光雷达激光回波，从而允许基于信息的相关方法来优化两个传感器之间的6-DoF外部校准。本文提出了事件相机和激光雷达之间的第一种直接校准方法，消除了对基于帧的相机中介和/或高精度手部测量的依赖。
2023-02-21 cs.CV cs.RO
Native-Domain Cross-Attention for Camera-LiDAR Extrinsic Calibration Under Large Initial Perturbations
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）；School of Integrated Circuits and Electronics, Beijing Institute of Technology（北京理工大学集成电路与电子学院）
本文提出一种本域交叉注意机制，通过直接对齐图像块和激光雷达点云实现可靠的跨模态交互，提升在大初始扰动下的外校准精度和鲁棒性。
2026-03-31 cs.CV cs.RO
Automatic extrinsic calibration between a camera and a 3D Lidar using 3D point and plane correspondences
Australian Centre for Field Robotics（澳大利亚野外机器人学中心）；University of Sydney（悉尼大学）
本文提出了一种自动化的方法，以获得外部之间的相机和三维激光雷达与低至16光束的校准参数。我们使用棋盘作为参考，以获得感兴趣的功能，在两个传感器帧。利用标定板的几何形状，从激光雷达点云中自动提取标定板的中心点和法向量。从摄像机的外矩阵中获得摄像机图像中的相应特征。我们解释了选择这些特征的原因，以及为什么它们比其他可能性更强大。为了获得最优的外部参数，我们选择了一个遗传算法来解决高度非线性的状态空间。在定义了相对于激光雷达的3D实验区域的边界以及真实的电路板尺寸之后，该过程是自动化的。此外，相机被假定为固有校准。我们的方法需要至少3个棋盘构成，并通过使用真实世界和模拟功能评估我们的算法证明了校准精度。
2019-04-29 cs.CV cs.RO
Observability Analysis of Joint Steering and Extrinsic Calibration
本文通过李导数非线性可观测性分析，证明平面自行车模型车辆在联合估计位姿、LiDAR外参与转向偏差时，直线加圆弧组合运动可实现七状态系统完全局部弱可观测，为标定轨迹选择提供理论依据。
2026-09-09 cs.RO
Road is Enough! Extrinsic Calibration of Non-overlapping Stereo Camera and LiDAR using Road Information
KAIST（韩国科学技术院）
本文提出了一种框架，立体相机和光探测和测距（LiDAR）传感器的无目标外部校准与非重叠的视场（FOV）。为了解决这种具有挑战性的配置下的外部校准问题，所提出的解决方案利用道路标记作为静态和鲁棒的功能之间的各种动态对象，存在于城市环境中。首先，本研究利用通常由两种传感器模态捕获的道路标记来选择用于估计外部参数的信息图像。为了实现稳定的优化，定义了多个代价函数，包括归一化信息距离（NID）、边缘对齐和平面拟合代价。从而形成一条光滑的成本曲线，以防止全局优化收敛到局部最优点。我们进一步评估每个成本函数通过检查参数的敏感性附近的最佳点。外部校准的另一个关键特性，可重复性，进行多次所提出的方法与不同的随机扰动的初始点进行分析。
2019-03-06 cs.CV cs.RO
Efficient Extrinsic Calibration of Multi-Sensor 3D LiDAR Systems for Autonomous Vehicles using Static Objects Information
IBEO Automotive Systems GmbH（IBEO汽车系统有限公司）
对于自动驾驶汽车来说，通过融合不同的传感器数据流来感知周围环境并构建环境的整体表示的能力是至关重要的。为此，需要准确地确定所有传感器的姿态。传统的校准方法基于：1）在受控环境中使用专门为校准目的而设计的目标，2）优化在穿越未知但静态环境时收集的点云的质量度量，或3）优化沿着满足特殊要求的运动路径的每个传感器增量运动观测之间的匹配。然而，在实际场景中，这些方法的在线适用性可能受到限制，因为它们通常是高度动态的，包含退化路径，并且需要快速计算。在本文中，我们提出了一种方法，解决了这些挑战，制定了一个联合的校准问题，但结构化的优化问题的所有传感器校准，作为输入的点云信息组成的地面点和极点检测的摘要。我们证明了所提出的方法的效率和质量的结果，在一组实验与激光雷达模拟和城市旅行的真实数据。
2022-11-04 cs.RO
CFNet: LiDAR-Camera Registration Using Calibration Flow Network
Harbin Institute of Technology（哈尔滨工业大学）
作为数据融合的一个重要环节，激光雷达相机标定对于自主车辆和机器人导航至关重要。大多数校准方法依赖于手工制作的特征，并且需要大量提取的特征或特定的校准目标。随着深度学习（DL）技术的发展，一些尝试利用卷积神经网络（CNN）来回归6个自由度（DOF）外部参数。然而，据报道，这些基于DL的方法的性能比非DL方法更差。提出了一种结合DL和几何方法的在线LiDAR相机外定标算法。我们定义了一个双通道的图像命名为校准流来说明从初始投影到地面实况的偏差。随机采样一致性（RANSAC）方案中的EPRECT算法被应用于估计外部参数与由校准流程构造的2D-3D对应。在KITTI数据集上的实验表明，该方法优于现有的方法。此外，我们提出了一个语义初始化算法与实例质心（IC）的引入。该代码将在https://github.com/LvXudong-HIT/CFNet上公开发布。
2021-04-24 cs.RO
Accurate Calibration and Robust LiDAR-Inertial Odometry for Spinning Actuated LiDAR Systems
Engineering Research Center of Low-Altitude Perception and Detection Technology & Intelligent IoT, Ministry of Education, School of Automation, Guangdong University of Technology（低空感知与探测技术及智能物联网工程研究中心，教育部，自动化学院，广东工业大学）；School of Electrical and Electronic Engineering, Nanyang Technological University（电子与电气工程学院，南洋理工大学）
本文提出了一种无目标的激光雷达-电机校准方法和环境自适应的激光雷达-惯性里程计，以提高旋转驱动激光雷达系统的校准精度和定位鲁棒性。
2026-01-24 cs.RO
Extending Ground-Constraint LiDAR-IMU Calibration to Tilted Surfaces in a Continuous-Time Framework
McGill University（麦吉尔大学）；Rheinmetall Provectus（莱茵金属普罗弗克特斯公司）
该研究提出一种无需假设地面平坦的连续时间框架下的无目标 LiDAR-IMU 标定方法，可扩展至倾斜表面，经多数据集验证重复性提升且已开源。
2026-08-27 cs.RO
Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration
Hong Kong University of Science and Technology（香港科技大学）
结合多个LiDAR使机器人能够最大限度地提高其对环境的感知意识并获得足够的测量值，这对于同时定位与地图构建（SLAM）是有希望的。本文提出了一种系统，以实现强大的和同时外部校准，里程计，和映射多个激光雷达。我们的方法从测量预处理开始，从原始测量中提取边缘和平面特征。在运动和外部初始化过程之后，基于滑动窗口的多LiDAR里程计在船上运行以通过在线校准细化和收敛识别来估计姿态。我们进一步开发了一个映射算法来构建一个全球地图和优化构成与足够的功能，以及一种方法来建模和减少数据的不确定性。我们验证了我们的方法的性能与广泛的实验10个序列（4.60公里总长度）的校准和SLAM，并将它们与国家的最先进的。我们证明，所提出的工作是一个完整的，强大的，可扩展的系统，为各种多激光雷达设置。源代码、数据集和演示可在https://ram-lab.com/file/site/m-loam上获得。
2021-05-05 cs.CV cs.RO
Coarse-to-fine Hybrid 3D Mapping System with Co-calibrated Omnidirectional Camera and Non-repetitive LiDAR
Southern University of Science and Technology（南方科技大学）；Zhejiang University（浙江大学）
本文提出了一种新型的三维测绘机器人与全向视场（FoV）传感器套件组成的非重复激光雷达和全向摄像头。由于激光雷达的非重复扫描性质，提出了一种自动无目标的协同标定方法，同时校准的全向相机的内部参数和外部参数的相机和激光雷达，这是至关重要的步骤，使颜色和纹理信息的点云在测绘任务。分别对基于目标的内定标和基于互信息的外定标进行了比较和分析。通过这种协同校准的传感器套件，混合地图绘制机器人集成了基于里程计的地图绘制模式和静止地图绘制模式。同时，我们提出了一种新的工作流程，以实现从粗到精的映射，包括在一个全球环境中的有效和粗略的映射基于里程计的映射模式;规划的基础上，在感兴趣区域（ROI）的粗地图（依赖于以前的工作）的视点;导航到每个视点，并执行更精细和更精确的静止扫描和映射的ROI。精细地图与全局粗地图拼接，这分别比传统的固定方法和新兴的基于里程计的方法提供了更有效和更精确的结果。
2023-02-08 cs.RO
YOCO: You Only Calibrate Once for Accurate Extrinsic Parameter in LiDAR-Camera Systems
China University of Mining and Technology (Beijing)（中国矿业大学（北京））；College of Geoscience and Surveying Engineering, China University of Mining and Technology (Beijing)（中国矿业大学（北京）地球科学与测绘工程学院）
本文提出一种无需对应点配准的 LiDAR-相机系统全自动外参标定方法 YOCO，通过提取点云并构建共面约束优化外参，实验验证其平均旋转误差小于0.05度、平移误差小于0.015m，实现了单步高精度标定。
2024-07-25 cs.CV cs.RO
LCE-Calib: Automatic LiDAR-Frame/Event Camera Extrinsic Calibration With A Globally Optimal Solution
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）；CWB Institute of Autonomous Driving（CWB自动驾驶研究院）
LiDAR和摄像头的结合使移动机器人能够感知具有多模态数据的环境，成为实现鲁棒感知的关键因素。传统的框架相机对不断变化的照明条件很敏感，这促使我们引入新型事件相机，使LiDAR相机融合更加完整和强大。然而，联合利用这些传感器，具有挑战性的外在校准问题应得到解决。本文提出了一种自动棋盘为基础的方法来校准之间的激光雷达和帧/事件相机，其中四个贡献。首先，本文提出了一种基于LiDAR点云的自动特征提取和棋盘格跟踪方法。其次，我们从事件流重建真实感帧图像，将传统的角点检测器应用到事件相机。第三，我们提出了一个初始化-细化过程来估计extrinsics使用点到平面和点到线的约束，在一个粗到细的方式。第四，我们引入了一个统一的和全局最优的解决方案，以解决校准中的两个优化问题。我们的方法已经在19个模拟和真实世界的数据集上进行了广泛的实验验证，并优于最先进的方法。
2023-03-17 cs.CV cs.RO
