Fast-Calib 多款Livox雷达与RGB相机标定记录

原创 已于 2025-09-01 15:51:20 修改 · 780 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #机器人 #ros #标定

于 2025-09-01 15:49:24 首次发布

这边博客用来记录使用港科大 Fast-Calib 使用流程，因为在实际使用的时候发现他们的配置文件和 ReadMe 文件写不是特别清晰，我的学生反映只跑通了一个配置文件，因此在这里记录一下有关修改配置和对应使用方法。涉及到以下仓库：

除了 Fast-Calib 这个标定仓库以外，港科大还在早期提供了一个 livox_camera_calib 这个仓库，但在编译上要比这个仓库多一些操作，如果你对 livox_camera_calib 仓库感兴趣或者想要对比一下标定结果，那么可以参考下面的博客与对应的 Github 仓库，(优先参考仓库因为所有 bug 修复都会第一时间同步到这个上面）。

后续我们会将多个开源的标定工具集成到一个仓库中，类似我们之前的开源的 JetsonSLAM 这个仓库进行组织；

Step1. 拉取源码并编译

假设你的标定空间为 calib_ws，使用下面的命令拉取源码并编译，目前来看无论是在 X86 还是 Arm 上的编译都不会有特别多的问题，

$ cd calib_ws/src
$ git clone https://github.com/hku-mars/FAST-Calib.git

然后直接编译即可

$ cd calib_ws
$ catkin_make

Step2. 下载官方数据样本

官方在这里提供了场景单视角与场景多视角的标定示例包，通过下面的链接可以获取：

你也可以直接从我的网盘中下载：

https://pan.baidu.com/s/17K5GJaJoCCOO_BlLH066Yg?pwd=jss4

数据集下载好后放在任意位置都行，只需要在配置文件中修改路径即可，这里假设最终的文件结构如下：

$ cd calib_ws/
$ tree -L 2

.
├── dataset
│   ├── avia_multi_scene			# 多视角数据包
│   └── single_scene_data			# 单视角数据包
└── src
    └── FAST-Calib					# 预案吗工程

Step3. 运行示例

这里主要是介绍如何调整配置文件中的参数以及技巧，弥补官方文档中缺失的解释部分。

【Note】：在运行所有示例之前需要清理一下 calib_ws/src/FAST-Calib/output 文件夹的内容，如果你的这个文件夹为空则继续即可；如果你的文件夹中已经有了东西，那么建议直接清空这个文件夹，因为在多视角标定的时候会读取 circle_center_record.txt 这个文件，之前残留的部分会影响到融合结果。

3.1 Avia 多视角标定

该示例需要分阶段用到下面三对数据包：

  • avia_multi_scene/11.bag & avia_multi_scene/11.jpg
  • avia_multi_scene/22.bag & avia_multi_scene/22.jpg
  • avia_multi_scene/33.bag & avia_multi_scene/33.jpg

multi_scene_11

第一阶段需要使用到 avia_multi_scene/11.bag 和 avia_multi_scene/11.jpg 这两个样本数据，修改 calib_ws/src/FAST-Calib/config/qr_params.yaml 文件内容如下：

# Camera intrinsics  
  # multi-scene
  fx: 2478.48702288166
  fy: 2478.58544825456
  cx: 1230.99707596681
  cy: 1025.66149498072
  k1: -0.0493178189623200
  k2: 0.147394487986097
  p1: -0.00127118592043482
  p2: -0.00200379689523022

# Calibration target parameters
  marker_size: 0.20 # ArUco marker size (our test data uses 0.16m; adjust to match your marker size)
  delta_width_qr_center: 0.55 # Half the distance between the centers of two markers in the horizontal direction 
  delta_height_qr_center: 0.35 # Half the distance between the centers of two markers in the vertical direction
  delta_width_circles: 0.5 # Distance between the centers of two circles in the horizontal direction
  delta_height_circles: 0.4 # Distance between the centers of two circles in the vertical direction
  circle_radius: 0.12 # Radius of the circle 

# multi_scene_11
  x_min: 2.0
  x_max: 5.0
  y_min: -1.0
  y_max: 1.0
  z_min: 0.0
  z_max: 2.0

# Input
  lidar_topic: "/livox/lidar" # /ouster/points /livox/lidar
  bag_path: "/home/orin/Desktop/calib_ws/dataset/avia_multi_scene/11.bag"
  image_path: "/home/orin/Desktop/calib_ws/dataset/avia_multi_scene/11.jpg"

# Output
  output_path: "$(find fast_calib)/output"

运行即可得到标定结果：

$ cd calib_ws
$ source devel/setup.bash
$ roslaunch fast_calib calib.launch

在这里插入图片描述

你在终端应该能看到下面的输出，如果发现 RMSE 值特别离谱，那么检查 yaml 文件是否使用的是 multi_scene_11 内容：

在这里插入图片描述

multi_scene_22

第二阶段需要使用到 avia_multi_scene/22.bag 和 avia_multi_scene/22.jpg 这两个样本数据，修改 calib_ws/src/FAST-Calib/config/qr_params.yaml 文件内容如下：

# ...
# 上面的部分不用改动

# multi_scene_22
  x_min: 2.0
  x_max: 5.0
  y_min: -4.0
  y_max: 1.0
  z_min: 0.0
  z_max: 2.0

# Input
  lidar_topic: "/livox/lidar" # /ouster/points /livox/lidar
  bag_path: "/home/orin/Desktop/calib_ws/dataset/avia_multi_scene/22.bag"
  image_path: "/home/orin/Desktop/calib_ws/dataset/avia_multi_scene/22.jpg"

# Output
  output_path: "$(find fast_calib)/output"

然后运行脚本：

$ roslaunch fast_calib calib.launch

在这里插入图片描述
终端输出如下：
在这里插入图片描述

multi_scene_33

第二阶段需要使用到 avia_multi_scene/33.bag 和 avia_multi_scene/33.jpg 这两个样本数据，修改 calib_ws/src/FAST-Calib/config/qr_params.yaml 文件内容如下：

# ...
# 上面的部分不用改动

# multi_scene_33
  x_min: 2.0
  x_max: 5.0
  y_min: -1.0
  y_max: 4.0
  z_min: 0.0
  z_max: 2.0

# Input
  lidar_topic: "/livox/lidar" # /ouster/points /livox/lidar
  bag_path: "/home/orin/Desktop/calib_ws/dataset/avia_multi_scene/33.bag"
  image_path: "/home/orin/Desktop/calib_ws/dataset/avia_multi_scene/33.jpg"

# Output
  output_path: "$(find fast_calib)/output"

然后运行脚本：

$ roslaunch fast_calib calib.launch

在这里插入图片描述
终端输出如下：
在这里插入图片描述

融合多视角标定结果

在进行多视角标定融合之前建议检查一下 calib_ws/src/FAST-Calib/output/circle_center_record.txt 文件中是否有 不小于3条 的标定结果，因为根据官方文档中的描述至少需要 3 次标定结果才能进行融合：

在这里插入图片描述

以我这边的文件为例：

time: 2025-09-01 14:57:06
lidar_centers: {4.20954,0.115556,0.925946} {4.2042,0.127745,0.520105} {4.19602,-0.371739,0.509748} {4.20129,-0.380586,0.906658}
qr_centers: {-0.0548394,-0.941356,4.25156} {-0.0624851,-0.541451,4.25576} {0.437417,-0.531868,4.25335} {0.445063,-0.931773,4.24916}
time: 2025-09-01 15:02:55
lidar_centers: {4.45013,0.111751,0.944239} {4.458,0.111903,0.548373} {4.65024,-0.353032,0.546272} {4.64393,-0.3569,0.941126}
qr_centers: {-0.0432598,-0.968805,4.50334} {-0.0493594,-0.568924,4.51093} {0.416619,-0.565257,4.69218} {0.422718,-0.965138,4.68459}
time: 2025-09-01 15:06:24
lidar_centers: {4.90411,0.381771,0.902504} {4.89949,0.391846,0.504875} {4.68953,-0.0661878,0.493763} {4.69526,-0.0737863,0.889996}
qr_centers: {-0.321193,-0.92974,4.9442} {-0.330377,-0.529853,4.94669} {0.125373,-0.518106,4.74137} {0.134558,-0.917992,4.73888}

然后运行下面的命令，这条命令运行非常快并且不会打开rviz，因为只涉及到数学运算：

$ roslaunch fast_calib multi_calib.launch

在这里插入图片描述

最终融合的结果保存在 calib_ws/src/FAST-Calib/output/multi_calib_result.txt 文件中，这个格式是可以直接复制到 FAST-LIVO2 工程中使用的：

# FAST-LIVO2 calibration format
Rcl: [ -0.003111, -0.999995, -0.000789,
      -0.010254,  0.000821, -0.999947,
       0.999943, -0.003103, -0.010256]
Pcl: [  0.077836,  0.023247,  0.055067]

3.2 Mid360 单视角标定

由于 Livox Mid360 是现在具身机器人的主流传感器，但官方仓库中并没有对这部分进行详细介绍，直接取消注释配置文件中的参数是无法运行的。这里将告诉你如何修改配置文件，以及里面参数的意义。官方示例中虽然没有提供多视角 Mid360 数据包，但你可以仿照上面 Avia 多视角的方式 先进行单视角标定再融合。

此处为了避免啰嗦就只进行一次单视角标定以下面两个数据包为例：

  • single_scene_data/mid360/11.png & single_scene_data/mid360/11.bag

【Note】：同样，在运行标定之前建议清空一下输出文件夹 src/FAST-Calib/output 避免数据混乱；

试探雷达范围

在修改配置文件之前可以通过 rviz 先试探一下激光雷达的视野范围，因为官方提供的数据包都特别小只有十几秒的市场，因此在调试过程中可以用 --loop 的参数让其循环播放：

$ cd calib_ws
$ rosbag play --loop dataset/single_scene_data/mid360/11.bag

然后打开 rvz 查看可视化点云：

$ rviz
  1. 手动修改 Fixed Frame 值为 livox_frame；
  2. 添加点云后增大 Decay Time 值；
  3. 添加 Axes 突出坐标原点；

在这里插入图片描述

修改配置文件

上面的 rviz 在调试过程中可以一直启动，不会影响标定结果。通过 rviz 可以看到这个数据包距离坐标原点三个方向大概是 x=[1.0,2.5]，y=[-1.0,1.0]，z=[-0.5, 1.5]，那么修改配置文件 src/FAST-Calib/config/qr_params.yaml：

# Camera intrinsics  
  # mid360
  fx: 843.501050605967
  fy: 845.199690011973
  cx: 321.017429415352
  cy: 239.294896816737
  k1: -0.465219389887045
  k2: 0.237050091701749
  p1: 0.00521922785740506
  p2: 0.000418186016514835

# Calibration target parameters
  marker_size: 0.20 # ArUco marker size (our test data uses 0.16m; adjust to match your marker size)
  delta_width_qr_center: 0.55 # Half the distance between the centers of two markers in the horizontal direction 
  delta_height_qr_center: 0.35 # Half the distance between the centers of two markers in the vertical direction
  delta_width_circles: 0.5 # Distance between the centers of two circles in the horizontal direction
  delta_height_circles: 0.4 # Distance between the centers of two circles in the vertical direction
  circle_radius: 0.12 # Radius of the circle 

  # 适配 single_scene_data/mid360/11.bag 数据包的参数
  x_min: 1.0
  x_max: 2.5
  y_min: -1.0
  y_max: 1.0
  z_min: -0.5
  z_max: 1.5

# Input
  lidar_topic: "/livox/lidar" # /ouster/points /livox/lidar
  bag_path: "/home/orin/Desktop/calib_ws/dataset/single_scene_data/mid360/11.bag"
  image_path: "/home/orin/Desktop/calib_ws/dataset/single_scene_data/mid360/11.png"

# Output
  output_path: "$(find fast_calib)/output"

然后启动标定脚本：

$ roslaunch fast_calib calib.launch

在这里插入图片描述

终端输出如下：

在这里插入图片描述

标定结果保存在 src/FAST-Calib/output/single_calib_result.txt 文件中：

# FAST-LIVO2 calibration format
cam_model: Pinhole
cam_width: 1440
cam_height: 1080
scale: 1.0
cam_fx: 843.501
cam_fy: 845.2
cam_cx: 321.017
cam_cy: 239.295
cam_d0: -0.465219
cam_d1: 0.23705
cam_d2: 0.00521923
cam_d3: 0.000418186

Rcl: [  0.403589,  -0.911757,  -0.076256,
       -0.139593,   0.021008,  -0.989986,
        0.904229,   0.410192,  -0.118796]
Pcl: [  0.729378,   1.238788,   0.755164]

常见问题与解决方案

Can not select 0 unique points out of 0!

如果你在运行脚本 calib.launch 后出现了下面的报错，那么是你的 yaml 文件中给的 x_min, x_max, y_min, y_max, z_min, z_max 中没有有效角点导致，参考 3.2 中 试探雷达范围 操作修改配置文件中的内容。

在这里插入图片描述

Number of lidar center points to be sorted is not 4.

如果你在运行脚本 calib.launch 后出现了下面的报错，那么还是因为 yaml 文件中给的 x_min, x_max, y_min, y_max, z_min, z_max 值不对导致的。这个错误是最容易出现的，因为官方文档的说明比较笼统，如果你直接取消注释配置文件中的 mid360 部分就会出现这个情况：

在这里插入图片描述

R3LIVE源码解析(11) — livox_camera_calib标定论文翻译
几度春风里的博客
09-09 1164
在本文中，我们提出了一种新颖的方法，用于在无目标环境中自动外部标定高分辨率激光雷达和RGB相机。我们的方法不需要棋盘格，但可以通过对两个传感器中的自然边缘特征进行对齐，实现像素级的精度。在理论层面上，我们分析了边缘特征所施加的约束以及与场景中边缘分布相关的标定精度的敏感性。在实施层面上，我们仔细研究了激光雷达的物理测量原理，并提出了一种基于点云体素分割和平面拟合的高效准确的激光雷达边缘提取方法。由于自然场景中边缘的丰富性，我们在许多室内和室外场景中进行了实验。
MATLAB算法实战应用案例精讲-【自动驾驶】激光雷达标定
qq_36130719的博客
05-23 2818
激光雷达在自动驾驶中的核心特征可以概括为三维环境感知、高分辨率、抗干扰能力。三维环境感知方面，3D激光雷达能够在短时间内向周围环境发射大量的激光束，探测距离是介于200-300m远距离和最大90°*30°的大视野探测能力；角分辨率最高可达0.05°*0.05°，保证了它在远距离仍然能准确探测、追踪多个目标，距离分辨率可以达到0.1mard，速度分辨率达到10m/s以内。
FAST-Calib：激光雷达与相机快速外参标定
3D视觉工坊
08-14 131
然后采用四个检测到的标记的平均位姿作为标定板的估计位姿，从而确定板坐标系的位置和方向。如图4所示（a）和（b）显示了用外部颜色着色的点云分别通过我们的方法和Velo2Cam估计的参数，所有用于联合校准的数据对。给定在相机坐标系中提取的点集PC和在激光雷达坐标系中提取的点集PL（均为圆孔中心），目标是找到一个刚性变换TCL，以最小化对应点之间的距离。5. 边缘膨胀问题：对于具有大光斑尺寸的激光雷达（例如，Livox激光雷达），标定板的边缘经常出现膨胀，导致激光雷达和相机数据之间的特征对应不准确。
激光雷达与rgb相机外参标定
weilaicxy22的博客
02-22 1556
最近在做livox与rgb相机的外参标定，网上看了很多开源方法大对数是基于ros做的，由于对ros不太熟悉，所以先基于python写一个初始版本，以下是全部代码，后面有有时间再整理，相机的内参是使用matlab工具箱标定的，大致思路是将标定板的点云数据通过左右、上下的坐标替换，深度值转换为灰度值，进而得到灰度图，对灰度图做传统图像处理，找到圆心，然后再逆转回在激光雷达坐标系上的坐标。
R3LIVE项目实战(4) — 双目相机与激光雷达livox_camera_lidar_calibration联合标定
几度春风里的博客
08-31 2492
获得外参后我们可以用两个常见的应用看一下融合的效果。第一个是将点云投影到照片上，第二个是点云的着色[注 10]。
相机雷达外参标定算法调研
lovely_yoshino的博客
04-23 7201
相机与激光雷达的外参标定是自动驾驶、机器人等领域的基础工作。精准的标定不仅有助于提高数据融合的效果，还能提升算法的整体性能。随着技术的发展，许多研究者和公司致力于开发高效的标定工具和算法，本文将对无目标标定和有目标标定两种主要的标定方法进行调研。
激光和相机的标定---手动标定的方法
YOULANSHENGMENG的博客
04-17 3655
这是Livox提供的手动校准Livox雷达和相机之间外参的方法，并在Mid-40，Horizon和Tele-15上进行了验证。其中包含了计算相机内参，获得标定数据，优化计算外参和雷达相机融合应用相关的代码。本方案中使用了标定板角点作为标定目标物，由于Livox雷达非重复性扫描的特点，点云的密度较大，比较易于找到雷达点云中角点的准确位置。相机雷达的标定和融合也可以得到不错的结果。
使用D435i+Avia跑Fast-LIVO
热门推荐
linzs.online
11-27 1万+
最近Fast-LIVO开源了，之前看它的论文的时候发现效果很优秀，于是用实验室现有的设备尝试一下。这里主要记录一下使用不带外触发功能的D435i + Avia跑Fast-LIVO的过程，为了适配代码，主要修改了雷达的驱动、相机的launch文件、以及使用了一个外部的rospkg对相机的IMU坐标系做了转换
【笔记&问题解决】激光雷达和相机外部参数标定全流程（livox_camera_calib加载数据问题解决 [#85 Issue] & PCL无法创建KDTree问题解决 [#19 Issue]）
qq_42751676的博客
08-02 7380
激光雷达和相机的标定方法
激光与相机融合标定汇总：提升融合算法的精度与可靠性（附github地址）
自动驾驶实战
06-28 1902
随着科技的飞速发展，激光技术与相机技术的融合已成为推动智能化影像发展的重要力量。这种融合不仅提高了成像的精度和效率，还为相关行业带来了革命性的变革。在这篇博客中，我们将深入探讨激光与相机融合标定的原理及其在各个领域的应用前景。激光与相机融合标定是计算机视觉领域的一个重要研究方向。通过建立激光雷达坐标系与相机坐标系之间的转换关系，可以实现激光点云与图像像素之间的准确匹配关注我的公众号auto_driver_ai(Ai fighting), 第一时间获取更新内容。
livox_camera_calib
06-28
livox_camera_calib是Livox公司开发的一个相机标定工具，用于对Livox激光雷达与相机之间的外参进行标定。通过该工具，可以将激光雷达与相机的坐标系进行对齐，从而实现激光雷达点云与相机图像的融合。该工具支持多种...
STM32传感器模块编程实践(十六)DIY人脸识别智能垃圾桶模型
光子物联
09-05 1234
本文介绍了一种基于STM32单片机的人脸识别智能垃圾桶模型。该系统由STM32F103C8T6主控芯片、ASR-PRO语音交互模块、SG90舵机和人脸识别模块组成。语音模块用于验证口令，只有口令正确才能录入人脸；识别成功后舵机带动垃圾桶盖打开。控制流程包括人脸识别、语音交互和舵机驱动，通过串口指令实现人脸录入与识别。系统采用STM32CubeMX配置GPIO、PWM和串口参数，Keil5编写控制程序，最终实现人脸识别控制垃圾桶
AI驱动的软件测试：革命性的自动化、缺陷检测与实验优化
最新发布
zzywxc787的博客
09-06 646
人工智能（AI）和机器学习（ML）技术的融入，正在从根本上重塑软件测试的格局，将其从一种主要是手动的、重复性的任务转变为一种智能的、预测性的、且持续优化的过程。*说明：多臂老虎机算法（MAB）由于将更多流量分配给了更好的版本B，其累积回报（点击次数）的增长速度远快于传统A/B测试（固定50/50分流）。： 利用NLP技术（如文本分类）自动分析新提交的Bug报告的内容、标题和描述，将其自动分类（如“前端UI问题”、“后端API错误”），并推荐或分配给最合适的开发人员（基于谁修改了相关代码文件）。
怎么快速构建一个deep search模型呢
qq_57565004的博客
09-05 881
本文提出了一种快速构建具备深度信息检索能力的智能体系统（DeepSearch）的方法。该方法采用分阶段开发策略：首先基于RAG架构搭建基础检索链路，再通过LangChain框架整合大语言模型和搜索引擎API，赋予系统自主规划与迭代搜索能力，最终实现多源信息整合和结构化报告生成。技术选型上强调利用开源工具（如LangChain、ChromaDB）和预训练模型，通过"思考-检索-整合-迭代"的智能体工作流，高效构建可验证原型的核心功能。
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 1202
初学小小白，个人笔记使用，仅供参考
机器学习从入门到精通 - 强化学习初探：Q-Learning到Deep Q-Network实战
THMAIL的博客
09-04 1610
本文介绍了强化学习从Q-Learning到Deep Q-Network(DQN)的进阶过程。首先阐述了强化学习的基本框架，包括Agent、Environment、State、Action和Reward的交互关系，以及马尔可夫决策过程(MDP)的核心假设。重点讲解了Q-Learning算法，详细推导了其基于贝尔曼方程的时间差分更新公式，并说明了ε-greedy策略在探索与利用之间的平衡作用。随后指出Q-Table在处理高维状态空间时的局限性，进而引入DQN解决方案。DQN采用神经网络作为函数逼近器，并依靠经验
SpringAI Alibaba Graph 流式对话
weixin_60523038的博客
09-03 429
SrpingAi Alibaba Graph实现流式对话，工作流，Graph工作流，代码工作流，流式
AI-调查研究-69-具身智能 关键能力全景解析：算法、硬件、仿真与数据的系统综述
永远好奇，无限进步！
09-04 1085
具身智能的发展依赖算法、硬件、仿真环境、嵌入式系统和数据处理的全方位支撑。智能算法是核心大脑，涵盖感知、认知和控制三层：感知侧通过视觉、听觉和多模态融合实现环境理解；认知层借助规划、强化学习与符号推理完成决策；控制层则确保精确动作执行，并结合端到端学习与混合智能架构优化性能。硬件作为“躯体”，包括高精度传感器、伺服驱动和异构计算平台，其性能直接决定智能水平。仿真环境提供安全高效的“数字训练场”，显著降低现实试错成本，支持大规模并行训练。嵌入式系统则构建从终端到云端的分层协同架构，保障实时性与稳定性。
Crush AI：终端里的新晋编码神器，快到飞起
berxtjkl的博客
09-03 845
如果你曾是Open Code的用户，那么Crush会让你倍感亲切。它由Open Code的核心开发者加入Charm团队后倾力打造，可以看作是一次彻底的重构和升华。最核心的变化在于，Crush完全由Go语言构建，这意味着它拥有了闪电般的原生性能和无与伦比的跨平台兼容性，无论是macOS、Linux还是Windows用户，都能享受到丝滑的体验。Crush目前仍处于早期发展阶段，缺少一些高级功能，比如自定义指令或复杂的规划模式。
fast-livo ouster
06-20
<think>嗯，用户想了解FAST-LIVO框架中与Ouster激光雷达相关的优化或处理技术。从用户描述看，ta可能正在开发或研究多传感器融合系统，需要具体的实现细节。用户提到的"ousterlidaroptimizationorprocessing"很具体，说明ta可能手头有Ouster设备，或在对比不同雷达的适配方案。注意到引用材料[2]提到FAST-LIVO2的平面法向量优化方法，这很关键。用户上次的问题涉及技术实现，这次延续了传感器处理的主题，应该重点解释算法层面的优化。Ouster作为机械旋转式雷达，其特有的环形扫描模式需要特殊处理——这点必须强调。需要区分FAST-LIVO和FAST-LIVO2的不同处理策略：前者直接处理点云，后者引入视觉面片优化。引用[2]描述的"重新参数化"过程其实是将法向量优化转化为无约束问题，这个数学转换很精妙，但向用户解释时要避免公式轰炸。用户可能实际面临计算效率问题，所以线程分离的设计（优化在独立线程运行）值得展开。ta没提具体应用场景，但Ouster常用于移动机器人或自动驾驶，补充应用实例能帮助理解。最后考虑提供复现链接（引用[3]）作为落地参考，毕竟理论到实现常有差距。不过要提醒数据兼容性风险，Ouster不同型号的点云特征差异较大。</think>以下是关于FAST-LIVO框架中激光雷达数据处理与优化的核心技术解析： --- ### 一、Ouster激光雷达在FAST-LIVO中的关键处理技术 1. **点云预处理** - **运动补偿**：通过IMU数据对Ouster的旋转扫描机制进行点云去畸变，补偿载体运动 $$p_{corrected} = R_{imu}^{-1} \cdot (p_{raw} - t_{imu})$$ - **强度归一化**：处理Ouster特有的反射强度特征，增强环境辨识度 2. **特征提取优化** - **边缘-平面特征分类**：基于曲率阈值分割点云 ```python curvature = sum(||p_i - p_j||) / (k * search_radius) # 邻域点曲率计算 ``` - **动态物体过滤**：结合视觉语义信息剔除动态点（如行人、车辆） --- ### 二、核心优化方法（引用文献[2]关键技术） 1. **紧耦合优化框架** - **状态向量**： $$X = [T_{wb}, v, b_g, b_a, \text{特征点坐标}]$$ - **目标函数**： $$\min_X \left( \sum ||r_{visual}||_{\Sigma_v}^2 + ||r_{lidar}||_{\Sigma_l}^2 + ||r_{imu}||_{\Sigma_i}^2 \right)$$ 2. **平面法向量高效优化** - **重新参数化技巧**：将带约束的法向量优化转为无约束问题 令 $n = \frac{m}{||m||}$，目标函数转化为： $$\min_m \sum ||n^T(p_i - q)||^2 \quad \text{s.t.} \quad m \in \mathbb{R}^3$$ - **异步优化**：在独立线程执行高斯-牛顿法优化，避免阻塞主里程计线程[^2] --- ### 三、Ouster雷达专项适配 1. **扫描模式优化** - **环状扫描对齐**：针对Ouster的多线环形扫描，设计特有时间戳插值策略 - **非均匀采样补偿**：对高仰角区域点云进行密度增强 2. **标定增强** - **内外参联合标定**：基于优化框架自动校正雷达-IMU外参偏差 - **反射率标定模型**： $$I_{calib} = a \cdot I_{raw} \cdot \cos(\theta) + b \quad (a,b \text{为标定参数})$$ --- ### 四、性能优化效果 | 优化项 | 提升幅度 | 实现方式 | |----------------|---------|-----------------------| | 特征匹配速度 | 40%↑ | KD-Tree+OVX指令加速 | | 内存占用 | 35%↓ | 滑动窗口+稀疏化处理 | | 长轨迹精度 | RMSE↓22%| 闭环检测+位姿图优化 | --- ### 五、应用场景 1. **自动驾驶**：城市环境中的实时定位（适配Ouster OS系列雷达） 2. **无人机勘测**：森林/矿山等GNSS拒止环境导航 3. **移动机器人**：仓库物流场景的高精度建图 > 复现指南见引用[3]：[FAST-LIVO联合标定教程](https://gitee.com/gwmunan/ros2/wikis/实战教程/Fast-LIVO复现之联合标定)
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值