💻 计算机科学

CaLiV: LiDAR-to-Vehicle Calibration of Arbitrary Sensor Setups

本文介绍了 CaLiV，这是一种新型基于目标的算法，它通过利用车辆运动、高斯混合模型配准和基于运动的位姿估计，无需重叠视野或外部传感设备，即可实现多 LiDAR 传感器间以及传感器与车辆间的精确外参标定。

原作者： Ilir Tahiraj, Markus Edinger, Dominik Kulmer, Markus Lienkamp

发布于 2026-02-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Ilir Tahiraj, Markus Edinger, Dominik Kulmer, Markus Lienkamp

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图利用安装在汽车上的两个手电筒（LiDAR 传感器）来构建一张世界的 3D 地图。一个手电筒向前照射，另一个向后照射。因为它们面对相反的方向，所以它们永远不会同时看到同一个物体。这是一种“非重叠”的设置，它使得确定每个手电筒在车上的精确位置，以及它们相对于彼此的角度变得极其困难。

如果你把这些角度弄错了，汽车的大脑可能会认为一棵树在马路中间，而实际上它是在人行道上；或者它可能认为路面是平坦的，而实际上是一个坡道。这篇论文介绍了一种名为 CaLiV 的新方法，旨在完美地修正这些角度，而无需任何特殊的尖端设备或“特征丰富”的环境（例如布满建筑物的城市）。

以下是通过简单的类比对 CaLiV 的工作原理进行的解释：

1. 问题所在：盲区

大多数现有方法要求传感器同时看到同一个物体（就像两个人同时看着同一幅画来达成位置共识）。但如果你的传感器背靠背安装，它们就像两个背对背站立的人；他们无法看到对方正在看的东西。

旧方法： 通常，为了解决这个问题，你需要第三个超精确的摄像头（外部设备）来充当裁判，或者你需要沿着非常特定的复杂路径行驶来推测角度。
CaLiV 的方法： 你不需要裁判。你只需要一个简单的物体（比如一把塑料椅）和一条曲线路径。

2. 解决方案：“移动的拼图”

作者提出了一个聪明的技巧：利用运动来创造一个共享视角。

想象你在一个停车场里有一把塑料椅（目标物）。

驾驶： 汽车绕着椅子进行大半径的转弯行驶。
交换： 当汽车转弯时，前传感器从一个角度看到椅子，随后片刻，后传感器会从一个完全不同的角度看到椅子。
组装： 尽管传感器从未“同时”看到椅子，但汽车的运动起到了桥梁的作用。计算机利用汽车已知的运动信息（如 GPS 和速度计）将这些不同的视角缝合在一起，从而创建一个完整的椅子的 3D 图景。

3. 两步校准过程

论文描述了一个两步走的“清理”过程，以获得正确的角度：

第一步：传感器间校准 (S2S) —— “让手电筒对齐”
首先，计算机计算出这两个手电筒如何相互关联。它将前传感器看到的椅子碎片和后传感器看到的椅子碎片收集起来，并尝试像拼图一样将它们拼凑在一起。它使用一种称为“高斯混合模型”（可以理解为一种智能形状识别工具）的数学工具，将这些碎片卡入一个完美的 3D 椅子模型中。这告诉系统：“好吧，前传感器相对于后传感器的位置正好是这个距离，且偏转了这么多度。”
第二步：传感器对车辆校准 (S2V) —— “让手电筒与车体对齐”
一旦两个手电筒彼此对齐了，计算机就会计算它们是如何安装在车上的。它会问：“如果椅子在这里，且传感器是以这种方式观察它的，那么传感器必须安装在车的什么位置？”
- 注：论文承认，虽然这种方法在修正角度（旋转）方面极其精确，但由于汽车运动方式的原因，它在修正精确距离（平移）方面表现较弱。然而，对于自动驾驶汽车而言，修正角度是确保安全最关键的部分。

4. 为什么这意义重大

无需额外装备： 你不需要价值 5 万美元的运动捕捉系统或激光扫描仪来充当裁判。只需一把椅子和一辆车。
无需完美环境： 你不需要一个充满转角和边缘的城市。一把简单的椅子就足够了。
最极端情况： 作者在传感器直接面对面（最难的设置）的情况下测试了该方法，结果依然完美运行。

5. 结果

在计算机模拟和实测中，CaLiV 能够以极高的精度修正传感器的角度（误差小于一分之一度）。

对比： 与其他试图在没有目标物的情况下（仅利用道路和建筑物）进行此类操作的方法相比，CaLiV 的准确度更高。
实测： 在一次真实测试中，他们驾驶一辆带有两个传感器的汽车绕着一把椅子行驶。校准前，椅子的 3D 视图是一个混乱、错位的模糊团块。在使用 CaLiV 后，前后传感器的视图完美地拼接在一起，形成了一个清晰、坚实的 3D 椅子。

总结

CaLiV 就像一名聪明的机械师，只需通过绕着一把椅子开车，就能修复汽车上两个背对背安装的手电筒的对齐问题。它不需要特殊的车间，也不需要裁判；它利用汽车自身的运动来弄清楚传感器的确切指向，从而确保自动驾驶汽车能正确地观察世界。

技术摘要：CaLiV —— 任意传感器配置下的 LiDAR-to-Vehicle（激光雷达至车辆）标定

问题陈述

在自主系统中，准确的传感器标定是可靠感知、规划和控制的前提。虽然传感器间（S2S）标定已得到广泛研究，但传感器与车辆（S2V）标定仍是一个关键空白。不准确的 S2V 标定会使误差在系统中传播，从而影响避障等安全至上的下游任务。

现有解决方案面临显著局限性：

无目标法（例如基于 SLAM 或手眼标定）通常需要特征丰富的环境、长时间的运动序列，或者在实现 S2V 标定的高精度方面表现不佳。
基于目标的方法 通常需要重叠的视场（FoV），或依赖外部传感设备（例如动作捕捉系统或地面激光扫描仪）来建立传感器坐标系与车辆坐标系之间的对应关系。
非重叠配置（常见于大型车辆，如巴士、火车，其传感器朝向相反方向）具有极高的挑战性，因为它们永远不会同时观测到相同的特征。

目前，尚不存在一种能够针对具有非重叠 FoV 的多 LiDAR 系统，在无需外部传感设备的情况下，同时执行 S2S 和 S2V 标定的、目标驱动且与环境无关的框架。

方法论

所提出的框架 CaLiV 通过一种创新的基于目标的方法解决了这些挑战，该方法利用车辆运动来创造必要的重叠，并采用基于高斯混合模型（GMM）的配准技术。该过程包含四个主要阶段：

运动与位姿估计：
车辆通过行驶一段曲线轨迹来诱导非重叠 LiDAR 之间的视场重叠。车辆位姿（ $R_{V_i}T$ ）使用融合了 IMU、GPS、速度和航向数据（orientation）的无迹卡尔曼滤波（UKF）进行估计。
粗略点云对齐：
来自不同时间步的点云使用估计的车辆位姿和初始（错误的）LiDAR 变换进行预对齐。这为将数据配准到统一的标定坐标系做准备。
通过 GMMCalib 进行联合配准：
该框架利用 GMMCalib 将来自不同传感器和不同时间步的点云配准到一个共同的潜在标定坐标系（ $C$ ）中。与传统的匹配源到目标的做法不同，GMMCalib 将所有点云都配准到一个共享的潜在坐标系中。首先使用随机采样一致性（RANSAC）算法过滤掉地面平面，从而隔离出标定目标（例如一个塑料椅）。
非线性优化：
CaLiV 的核心是将标定任务简化为一个最小化问题。

S2S 标定： 算法首先优化两个 LiDAR 之间的 S2S 变换（ $L_2^{L_1}T$ ）。
S2V 标定： 利用优化后的 S2S 参数，算法相对于车辆坐标系优化 S2V 变换（ $V^{L_1}T$ 和 $V^{L_2}T$ ）。
误差函数： 代价函数最小化估计的标定坐标系相对于参考坐标系的成对误差。
鲁棒性： 为了处理来自配准或运动学噪声的离群值，离群值过滤器会丢弃位于第 $k$ 和 $(100-k)$ 个百分位数之外（设为 10）的误差。该最小化问题使用 Powell 协同方向法求解，该方法可以处理离群值函数不可微的问题。

主要贡献

首个基于目标的 S2V 框架： 据作者所知，这是第一个针对多 LiDAR 设置、在无需外部传感设备的情况下进行 S2V 标定的目标驱动框架。
非重叠能力： 该方法通过利用车辆运动创造虚拟重叠，成功处理了非重叠的传感器间（S2S）标定问题。
广义化的 GMMCalib： 作者推广了 GMMCalib 的公式，引入了一个共同的标定坐标系，从而实现了 S2V 参数的同时优化。
全面的验证： 该方法在模拟（CARLA）和真实世界实验中，针对两个朝向相反方向的 LiDAR 这一“最坏情况”场景进行了评估。

结果

CaLiV 的性能针对现有先进方法（用于 S2S 的 mlcc；用于 S2V 的 Multi-LiCa 和 SensorX2Car）在添加噪声的 100 次模拟运行中进行了评估。

S2S 标定： CaLiV 显著优于无目标的 mlcc 算法。在初始位姿错误的情况下，mlcc 产生的平均平移误差达数米，旋转误差高达 $19^\circ$ ，而 CaLiV 实现的平均平移误差低于 $0.02 $m，旋转误差低于$ 0.01$ rad。
S2V 标定：
- 旋转精度： 该方法在估计旋转角度方面达到了极高的精度。平均横滚角（roll）和俯仰角（pitch）误差小于 $0.1^\circ$ ，平均偏航角（yaw）误差低于 $0.5^\circ$ 。
- 对比： CaLiV 在横滚角和俯仰角估计方面优于 Multi-LiCa 和 SensorX2Car，实现了更低的平均误差（横滚角为 $0.0013$ rad，俯仰角为 $0.0007$ rad）。
- 平移限制： 由于曲线轨迹带来的可观测性问题，该算法被设计为仅估计旋转参数。由于平面轨迹导致 z 方向平移不可观测，且 x 方向平移与偏航角误差耦合。作者指出，将平移误差固定为零可以实现可靠的偏航角估计。
真实世界验证： 在真实世界实验中，CaLiV 成功对齐了来自前部和后部 LiDAR 的验证目标（一个立方体物体）的点云，证明了其纠正随时间和距离传播的 S2V 误差的能力。

意义与主张

本文声称，对于以往方法失效或需要不切实际外部硬件的场景，CaLiV 提供了一种鲁棒、高精度的外参标定解决方案。通过消除对外部传感设备（如动作捕捉系统）和特征丰富环境的需求，该框架为包括非重叠 FoV 在内的任意传感器配置提供了一个灵活且可部署的解决方案。

作者强调，虽然目前的实现优先考虑旋转精度（这对于安全性至关重要，因为误差会随距离增加而放大），但它代表了目标驱动标定领域的重要一步。代码已开源，旨在促进自主驾驶领域的进一步研究与应用。该工作同时也承认，未来的研究可以探索通过移动目标而非车辆来进行 S2S 标定，或者利用更复杂的轨迹来解决保持精度的同时解决平移 S2V 误差的问题。