基于标定板的lidar到车体的外参标定思路

基于标定板的lidar到车体的外参标定思路

1. 什么是lidar到车体的外参？

在机器人，自动驾驶等领域，要想载体能够自主导航，那我们就得赋予他们和人类似的能力，就是让他们知道，自己是谁，自己在哪，我们怎么才能去到哪的问题。
载体上有很多传感器，各个传感器都是从自己的视角来对周围环境进行观测，这个“自己的视角”就是标记自己是谁，也就是说在一个自动驾驶汽车上，我们会给各个传感器打上标签，来分别每种观测数据是来自谁； 那么多传感器能够帮助载体完成自主导航的任务，都从自己的视角来定位和感知，这些信息我们是不能直接用的，我们得把他们统一到同一个坐标系，这样才能弄清楚“自己在哪”的问题，不能说前视相机说障碍物离我还有一米半呢，放心往前开就完事了，可是算上车头，车子往前动一下可能就撞上了。这时候就需要标定相机和车体之间的外参，其他传感器同理。

附赠自动驾驶最全的学习资料和量产经验：链接

2. 为什么要做这个外参矫正？

这个问题，前面应该已经讲清楚了，如果不做外参标定，就相当于全车的各个传感器都认为自己是“车”，都基于他观测到的场景对车辆运动进行指挥，这显然是有问题的。举个简单的例子，我们人的触觉，视觉听觉这些传感器告诉我们所谓的“前后左右上下”这些方位，其实都是基于我们身体的坐标系的。当然我们的CPU处理能力很强，可以快速的在各个“坐标系”之间转换，我们能快速的知道，那个物体离我的手多远，离我的头大约几公分，周围有多少车辆，那些车辆接下来要做什么，我该采取什么样的行动，我们感觉很轻松写意的事情，在自动驾驶汽车来说可能就把他CPU干烧了。 扯远了，总之，在涉及多传感器融合，不管是定位还是感知，最后规划，都要把各个传感器观测到的信息，转到车体系这个坐标系，让车以自己的视角知道自己在哪，感知到了啥，如何做决策。

3. 怎么做这个外参矫正？

之前介绍过lidar到车体系自标定的思路，这个可以看我之前的自标定博客。
今天再来介绍一种基于标定板的标定思路，不同于之前自标定，这种标定方案是依赖特殊设计的标志物来完成lidar和车体系的外参矫正。 其实这种依赖标志物进行标定的方案，精度应该更高，比如很多在标定间里做的标定都是这种方案。

标定间可以设计很多特征明显的标志物，这可以保证传感器采集数据时少引入额外的观测噪声；相比自动驾驶车辆在行驶过程中观测到的场景，标定间内的标志物是经过高精度设备测量过的，可以认为标定时对照的“真值”更加精确，；而且标定间内的场景固定，更加可控，能比较容易的实现更高精度，更一致的标定结果。 当然缺点也很明显，成本比较高。

3.1 标定思路

大家应该了解ICP吧，简单来说就是调整外参对齐两个坐标系内同时观测到的3D点。对于lidar和车系之间的外参，也可以使用ICP。于是我们就得知道某些车系和lidar系下的点坐标，然后调整外参对齐他们，“完全对齐”了这外参也就求解出来了。 于是我们现在应该解决如下几个问题：

1. 点从哪来？

2. 我们应该怎么设计标定板？

3. lidar检测到那些点，也就是知道了那些点在lidar系上的坐标，那车体系下这些点坐标我们还是不知道啊。

好，我们一一来解决。

首先点从哪来，显然是标定板，所以我们要设计一款标定板。
其次，如何设计这款标定板？应该是便于lidar对我们要的那些点进行检测。 最后，如何得到这些点在车体系下的坐标。

lidar能够对点云中呈现明显特征的部分进行检测，所以为了让我们设计的标定板便于lidar对其进行检测，我们应该让标定板满足一些几何特征，比如圆形。很容易想到，我们要的是一些点，那么我们可以让lidar检测出这些圆心作为我们要ICP的点。
那么如何得到这些点在车体系下的坐标呢？这块比较复杂。
如果是土豪，可以设计好标定间的结构，固定车的位置，即已知车辆后轴中心相对于标定板的位置，再结合标定板上圆孔的位置，直接推算出那些圆心在车体系下的坐标。
我来说说我们的方案，我们相对没那么土豪，我们借助全站仪来辅助测量。

由于某些原因，上面的图比较模糊，大家凑活看，全站仪怎么使用，感兴趣的可以自行百度，我就简单介绍下如何得到车体系下的坐标：

1. 我们可以通过全站仪同时打车辆上和标定板上的点，通过这些点可以得到全站仪和车体系之间的外参。

2. 由于标定板尺寸是已知的，我们能够拿到那些圆心点在全站仪下的坐标，再通过外参就可以转换到车体系下。

好，至此我们的准备工作都已经完成了，接下来就是核心功能实现，一个是lidar对圆心的检测，一个就是ICP。其实ICP也不是多么难，这里就不介绍了。简单介绍下圆心怎么找。

3.2 lidar检测标定板上的圆心流程介绍

这里仅仅介绍一种思路。
核心思路：由于我们设计了上述标定板，四个圆心的尺寸以及结构信息我们都已经知道，利用这个约束，我们可以在lidar点云中寻找匹配。

于是流程为：接收lidar点云->点云预处理->提取标定板平面->将标定板平面旋转到与坐标系的某个平面平行->根据已知约束构建模版->拿这个模板在标定板平面上寻找匹配。

注意：将标定板平面旋转到与坐标系某个平面平行是必要的，除非你把你根据约束构建的模版旋转到标定板平面。

3.3 匹配过程

上图是找到圆心后的结果展示。 寻找圆心的过程也很简单，首先大体确定标定板中心位置，然后根据四个圆心位置构建约束（我这里是矩形），然后用这个矩形以各个方向旋转和平移来匹配四个圆的位置。

怎么才算匹配到了最好的位置？ 当点云中的点落入以四个圆心，圆半径围成的圆内的点最少为最佳匹配。

下图为四个圆心在标定板上的移动过程展示：

下图是落入四个圆中点的个数统计趋势。

至此，找到圆心在lidar系下的坐标，结合之前得到的车体系下的坐标，做一个ICP，外参就求解出来了。