1. 核心摘要

这篇笔记整理自 FAST-Calib (arXiv:2507.17210)。这是一个极其实用的工具库，旨在解决机器人开发中最头疼的标定问题。作者设计了一种定制的 3D 标定板，结合对 LiDAR 扫描模式不敏感的边缘提取算法，实现了一秒内完成 LiDAR 和相机的外参标定，且误差控制在 6.5mm 以内。

2. 关键概念/术语

  • Extrinsic Calibration (外参标定)：确定 LiDAR 坐标系与相机坐标系之间旋转和平移矩阵 ($R, T$) 的过程。
  • Solid-state LiDAR (固态雷达)：扫描模式与传统机械雷达不同（通常是非重复扫描），传统标定方法难以适用。FAST-Calib 解决了这个问题。
  • PnP (Perspective-n-Point)：通过 3D 点与 2D 图像点的对应关系求解相机位姿的算法。
  • Edge Dilation Compensation (边缘膨胀补偿)：LiDAR 光斑有一定大小，扫描边缘时会产生“膨胀”效应，导致测量距离偏差，算法对此进行了数学补偿。

FAST-Calib 定制标定板示意

3. 详细内容整理

3.1 标定流程

  1. 硬件准备：制作一个带有特定图案（通常是圆孔和 ArUco 标记）的定制 3D 标定板。
  2. 数据采集：手持标定板在传感器前晃动，或者固定标定板移动机器人。
  3. 算法处理：
    • 视觉端：识别 ArUco 标记，通过 PnP 算法解算标定板在相机系下的位姿。
    • LiDAR 端：提取标定板上的孔洞边缘。由于不同雷达扫描线束不同，算法采用了与扫描模式无关的边缘提取策略。
    • 联合优化：构建 3D-3D 对应关系或点面约束，求解外参。

3.2 性能表现

  • 速度：处理时间小于 0.7秒。
  • 精度：点对点配准误差 < 6.5mm。
  • 通用性：支持机械式（如 Ouster）和固态式（如 Mid360, Avia）LiDAR。

4. 关键知识点详解

4.1 标定原理推导

标定的本质是求解 $T_{CL}$ (LiDAR 到 Camera 的变换)。 \(P_C = T_{CL} P_L\) 其中 $P_C$ 是相机坐标系下的点，$P_L$ 是 LiDAR 坐标系下的点。

FAST-Calib 的核心在于如何精确获取同一物理点在两个坐标系下的坐标：

  1. 相机侧：利用 ArUco 标记的已知物理尺寸，可以非常精确地计算出标定板中心的 $P_C$。
  2. LiDAR 侧：LiDAR 扫描到标定板上的圆孔。通过拟合圆孔边缘，可以计算出圆心在 LiDAR 坐标系下的 $P_L$。这里引入了椭圆拟合来补偿激光光斑造成的边缘模糊。

构建了 $N$ 组 $(P_{Ci}, P_{Li})$ 对应点后，通常使用 SVD 分解或非线性优化来求解最优的 $T_{CL}$。