写在前面：博主主要关注的是自动驾驶中Lidar和RTK组合导航设备的标定，大部分的开源项目都把其转化为Lidar和IMU的标定过程。
1. ETH的lidar_align
- 适用于lidar+imu系统的标定
- 本质解决的是一个优化问题，即在外参参数(6DoF)如何选择时，使Lidar采集到的数据转化到Odom系下后，前后两次scan的数据点能够尽可能的重合。
- 方法将Lidar数据根据当前假设的状态变量（6DoF参数）变换到Odom系下，构成点云PointCloud，之后对每一次scan时的数据，在下一次scan中通过kdtree的方式寻找最近邻的数据点并计算距离，当总距离最小时可以认为完全匹配，即计算的外参参数正确。
- 作者在issue和readme中指出，该方法存在的局限性是，必须要求采集数据时系统进行非平面运动，对平移要求不高但要求旋转必须充分。但对数据量、运动范围没有经过严格的测试。这个局限性也限制了难以用于给自动驾驶车辆这种系统标定。
2. 浙大的LI-Calib
- 论文在试验中采用的手持平台进行了验证，能够很方便地在3个欧拉角方向上倾斜采集数据。
- 该方法需要有充足的线加速度和角速度激励，所以同样也难以适用于自动驾驶车辆的标定任务。
3. 百度Apollo的标定服务
- 非开源，需要使用Apollo框架
4. Robosense Lidar RTK Calibation Tool
5. 商汤科技&上海AI实验室推出的开源标定工具箱 openCalib
(Github)SensorsCalibration toolbox v0.1
| calibration param | calibration type | calibration method | mannual calibration | auto calibration | usage documentation |
|---|---|---|---|---|---|
| camera intrinsice | intrinsic | target-based |  | camera intrinsic | |
| imu heading | extrinsic | target-less |  | imu heaidng | |
| lidar2imu | extrinsic | target-less |  | | lidar2imu |
| lidar2camera | extrinsic | target-less |  | | lidar2camera |
| lidar2lidar | extrinsic | target-less |  | | lidar2lidar |
| radar2camera | extrinsic | target-less | | radar2camera | |
| radar2lidar | extrinsic | target-less | | radar2lidar |
openCalib中，关于Lidar和IMU(INS)标定方法的解读，详见我另一篇博客：openCalib中Lidar和IMU(INS)标定–论文解读。
如果觉得我的文章对你起到了些许的帮助，做下手指操点击下面的大拇指👍感谢~
我是专注自动驾驶、LiDAR感知、三维点云处理、激光SLAM领域的阿川，欢迎各位志同道合的朋友在下面积极留言。欲将心事付瑶琴，希望能在交流中收获知识、经验和挚友🌞
文章出处登录后可见！
已经登录？立即刷新
