文章：SensorX2car: Sensors-to-car calibration for autonomous driving in road scenarios
代码：https://github.com/OpenCalib/SensorX2car.
日期：2023年
1）摘要
正确校准的传感器是可靠自动驾驶系统的先决条件。然而，以前的大多数方法都侧重于传感器之间的外在校准，而很少关注传感器与车辆坐标系之间的错位。现有的无目标方法依赖于特定的先验知识，例如驾驶路线和道路特征，来处理这种错位。这项工作消除了这些限制，并为四种常用的传感器提出了更通用的校准方法：相机、LiDAR、GNSS/INS 和毫米波雷达。利用传感器特定的模式：图像特征、3D LiDAR 点、GNSS/INS 提供的姿态和毫米波雷达提供的速度，设计了四种相应的方法，主要在几分钟内校准正常驾驶过程中从传感器到汽车的旋转，组成了一个名为 SensorX2car 的工具箱。真实世界和模拟实验证明了我们提出的方法的实用性。
2）创新点
①提出了一种使用深度学习网络的摄像头到汽车标定方法，该方法可以在不依赖车道线的情况下标定三个旋转角度。并基于 KITTI 构建数据集，对其进行训练和测试
②提出了一种利用车辆轨迹和地面提取的 LiDAR 到汽车标定方法，可以标定三个旋转角度和到地面的高度，而不受行驶路线的限制。
③提出了一种 GNSS/INS 到汽车的标定方法，通过使用车辆轨迹来标定航向 （yaw） 角。
④提出了一种利用检测到的物体速度和车速的雷达到汽车标定方法，可以标定航向（偏航）角。通过添加位置信息来优化该方法，以解决真实数据集中的大量噪声问题。
⑤这些方法通过仿真和实际数据进行了验证。
3）算法结构
对于 LiDAR，作者标定了它到汽车的旋转和到地面的高度。详细来说，首先运行 SLAM 算法来得到 6 DoF 姿态，表示为 Ti ，这将在以下两个过程中使用。在实验中，选择了FAST-LOAM，因为它同时具备实现实时性能和良好的准确性。对于俯仰角和滚动角，从 LiDAR 点云中提取地平面。对于偏航角，通过分析相应时间戳下车辆前进方向和 LiDAR 前进方向的差异获得。
（1）Pitch和Roll角度估计
地面提取的过程如上图所示。对于输入 LiDAR 帧，首先过滤掉太远或太近的点。然后，多次应用 RANSAC 算法和随机初始点以获得平面粗略估计结果。接着，通过在周围进行随机搜索并在较小范围内调整平面参数来优化此估计，以获得具有较大内部值的平面。最后使用 SVD 将 inliers 拟合到最终平面。
这提取的平面可以用法向量np和截距dp来表示：
然后，从Lidar到地面的旋转向量n和旋转角度α可以通过下列式子计算：
最后，旋转矩阵R和高度z通过下列式子计算得到：
其中，
。
上述过程仅在一段时间内对一组下采样的 LiDAR 帧执行，以实现实时性能，以避免重复计算。作者还根据 SLAM 算法的姿态过滤掉急转弯中的帧，因为转弯会导致搭载平台倾斜和滚动角度误差。
（2）Yaw角度估计
在获得俯仰角和滚动角后，将其构建的旋转矩阵应用于点云，使点云的 z 轴垂直于地平面。搭载平台的航向是通过 XY 平面上 2D 轨迹曲线的切线方向获得的。作者在 SLAM 算法中的时间离散位置
上应用 B 样条插值：
其中，n代表B样条的次幂。
搭载平台的heading角可以通过以下式子计算：
LiDAR 的前进方向可以简单地通过 LiDAR 姿势获得，表示为
。因此，这两个角度在相应时间戳处的差值就是我们需要校准的偏航偏移。此外，当车辆低速行驶或行驶高度弯曲的路线时，作者会过滤掉数据点，以防止错误的方向估计或曲线适应性差。最终结果是所有有效时间戳 S 的平均估计：
4）实验
（1）Dataset：作者在四个真实数据集上测试文章的方法，每个周期持续大约 30 分钟。数据由安装在车辆顶部的 Pandar64 LiDAR 收集。下图显示了 Google Maps 的四段数据的驾驶路线。
（2）标定结果： 作者还使用估计的一致性作为评估指标。每个 30 分钟的数据分为 1 分钟的分段。从每个段 i 中得到一个估计值 {ri ， pi ， yi ， zi}，然后计算所有估计值的标准差 {ri ， pi ， yi ， zi} i=n i=0 .为了说明车辆轨迹对结果的影响，我们还计算了选定的直线行驶段的标准 {ri ， pi ， yi ， zi}i∈S。四个周期数据的标定一致性如下表所示。估计值的分布如下图所示。
对于俯仰角和偏航角，标准差约为 0.1°，所有段的结果与仅直线段的结果没有太大差异，对于横滚角，标准差有点大，最高可达 0.5°，因为车辆在转弯时间内会倾斜。仅在直线行驶段中，它降低到 0.1°。
5）结论
作者介绍了 SensorX2car，这是第一个用于传感器到汽车外部校准的开源校准工具箱。它包含四种常用传感器的在线校准方法：摄像头、LiDAR、雷达和 GNSS/INS 设备。这些方法可以在常见的道路场景中工作，并且对行驶路线或道路特征几乎没有限制。这些方法的实用性在仿真和真实世界数据集上得到了验证。
在这个工具箱中，我们主要校准 sensor-to-car extrinsic 的旋转部分，忽略了平移。将来，会将其扩展到旋转和平移的 6 个自由度参数。