大家好呀，我是一个SLAM方向的在读博士，深知SLAM学习过程一路走来的坎坷，也十分感谢各位大佬的优质文章和源码。随着知识的越来越多，越来越细，我准备整理一个自己的激光SLAM学习笔记专栏，从0带大家快速上手激光SLAM，也方便想入门SLAM的同学和小白学习参考，相信看完会有一定的收获。如有不对的地方欢迎指出，欢迎各位大佬交流讨论，一起进步。博主创建了一个科研互助群Q：951026257，欢迎大家加入讨论。
0、前言
相机与激光雷达的精确像素级标定一直是一个难点，随着激光SLAM慢慢向三维重建、场景测绘发展，对标定效果要求更高。传统的标定板标定方法有如下缺陷
1.需要标定板设备繁琐
2.标定板不能放太远的位置，无法观测测距范围大而广的激光雷达在远距离的效果
3.无法达到像素级别的标定结果。
Pixel-Level Extrinsic Self Calibration of High Resolution LiDAR and Camera in Targetless Environments
论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9495137
代码：GitHub - hku-mars/livox_camera_calib: This repository is used for automatic calibration between high resolution LiDAR and camera in targetless scenes.
对于一般的机械式激光雷达怎么达到无标定板的像素级配准，这就是今天介绍的功能包direct_visual_lidar_calib
https://koide3.github.io/direct_visual_lidar_calibration/1、安装
# Install dependencies-------------------
sudo apt install libomp-dev libboost-all-dev libglm-dev libglfw3-dev libpng-dev libjpeg-dev# Install GTSAM---------------------------
git clone https://github.com/borglab/gtsam
cd gtsam && git checkout 4.2a9
mkdir build && cd build
# For Ubuntu 22.04, add -DGTSAM_USE_SYSTEM_EIGEN=ON
cmake .. -DGTSAM_BUILD_EXAMPLES_ALWAYS=OFF \-DGTSAM_BUILD_TESTS=OFF \-DGTSAM_WITH_TBB=OFF \-DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF
make -j$(nproc)
sudo make install# Install Ceres--------------------------------
git clone https://github.com/ceres-solver/ceres-solver
mkdir ceres-solver/build && cd ceres-solver/build
cmake .. -DBUILD_EXAMPLES=OFF -DBUILD_TESTING=OFF -DUSE_CUDA=OFF
make -j$(nproc)
sudo make install# Install Iridescence for visualization----------------------
git clone https://github.com/koide3/iridescence --recursive
mkdir iridescence/build && cd iridescence/build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j$(nproc)
sudo make install
2、编译
# ROS1
cd ~/catkin_ws/src
git clone https://github.com/koide3/direct_visual_lidar_calibration.git --recursive
cd .. && catkin_make# Install SuperGluePretrainedNetwork for auto calib----------------------
pip3 install numpy opencv-python torch matplotlib
git clone https://github.com/magicleap/SuperGluePretrainedNetwork.git将find_matches_superglue.py放在SuperGluePretrainedNetwork-master目录下3、使用
官方说明文档
https://koide3.github.io/direct_visual_lidar_calibration/example/#5-calibration-result-inspection_1c3.1 数据采集准备
该算法的思想就是利用激光雷达和SLAM算法生成十分稠密的点云再利用场景与视觉配准。
- 点云采集要求
所以对于非重复扫描的激光雷达，录制静止10s的rosbag包，对于机械式激光雷达需要上下左右旋转，尽可能覆盖所有场景且线束越低，录制时间越长。
- 场景要求
场景有结构化特征，例如建筑，最好有反射强度明显的区域，如斑马线
- 相机要求
先计算出相机的内参和畸变参数
3.2 使用
-
数据准备
将录制的所有bag放在一个文件夹下，生成稠密点云为标定做准备
rosrun direct_visual_lidar_calibration preprocess -av \--camera_model plumb_bob \--camera_intrinsic 1452.711762456289,1455.877531619469,1265.25895179213,1045.818593664107 \--camera_distortion_coeffs -0.04203564850455424,0.0873170980751213,0.002386381727224478,0.005629700706305988,-0.04251149335870252 \/home/zf/livox_ros1 /home/zf/precamera_intrinsics为相机内参，camera_distortion_coeffs为畸变系数
/home/zf/livox_ros1为存放rosbag包位置，/home/zf/pre ：自动创建文件夹存放
-av 适用非重复扫描点云直接叠加
-adv 适用机械激光雷达，有里程计叠加，如下所示
运行成功会自动生成如下文件
-
初始位姿确定
自动方法利用 superglue匹配
rosrun direct_visual_lidar_calibration find_matches_superglue.py /home/zf/pre/ --rotate_camera 0
rosrun direct_visual_lidar_calibration initial_guess_auto /home/zf/pre当自动效果不好时候切换手动
rosrun direct_visual_lidar_calibration initial_guess_manual /home/zf/pre手动鼠标右键选点，点云和图片对应，选完后点击add picked points，至少选三组。之后点击estimate开始标定
-
精确位姿确定
rosrun direct_visual_lidar_calibration calibrate /home/zf/pre
