PeLiCal: 通过穿透线进行有限共可见 RGB-D 相机的无目标外部标定
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了一种实时无标定板双目相机标定方法，利用非线性优化最小化几何误差，具有鲁棒性和快速运行速度。提出的校准方法包括基于遮挡关系的无标定目标方法和伪激光雷达自校准方法，均在实际应用中表现出高精度和低误差，适用于自动驾驶和多传感器融合。
🔎
延伸解读
无目标标定：从依赖标定板到利用自然场景
传统相机标定通常需要标定板或特定目标，而本文介绍的方法无需专门标定目标，利用自然场景中的几何特征（如边缘、遮挡关系）完成标定。这降低了标定过程对人工干预的依赖，更适合自动驾驶等需要长期在线校准的场景。
多传感器融合中的外参标定挑战
在自动驾驶中，相机与激光雷达的外参标定直接影响感知融合的准确性。本文提到的多种方法（如基于边缘对齐、一致性学习）旨在解决无目标条件下的外参标定问题，提高标定精度和鲁棒性，但实际部署仍需考虑动态环境和传感器退化等因素。
自校准与在线优化的技术趋势
文章汇总了PseudoCal、SceneCalib等自校准方法，这些方法能够独立于初始参数估计，甚至同时校准多摄像头与激光雷达的内外参。这反映了标定技术正从离线、依赖目标向在线、自监督方向发展，以支持车辆全生命周期的持续校准。
❓
Q&A
无标定板双目相机标定方法的主要优势是什么？
该方法通过非线性优化最小化几何误差，具有鲁棒性和快速运行速度，能够在动态场景中保持高精度。
什么是PseudoCal自校准方法，它的应用场景是什么？
PseudoCal是一种新型自校准方法，能够独立于初始参数估计完成校准，适用于自动驾驶车辆和移动机器人。
SceneCal方法如何实现多摄像头与激光雷达的自我校准？
SceneCal方法能够同时自我校准多摄像头与激光雷达之间的外参和内参，无需专门设计标定目标。
如何通过遮挡关系提高相机标定的准确性？
通过提取二维-三维点对并使用遮挡引导的点匹配方法，可以提高校准准确性并降低计算成本。
无目标外参校准算法的优势是什么？
该算法能够准确、精确且鲁棒地融合多个传感器的数据，无需训练数据和人工设计特征。
边缘方法在LiDAR和相机标定中的应用效果如何？
边缘方法通过对齐图像和点云中的边缘特征，优化外部参数，结果在精度和鲁棒性方面优于现有方法。
🏷️
