LiMo-Calib: On-Site Fast LiDAR-Motor Calibration for Quadruped Robot-Based Panoramic 3D Sensing System

📄 arXiv: 2502.12655v2 📥 PDF

作者: Jianping Li, Zhongyuan Liu, Xinhang Xu, Jinxin Liu, Shenghai Yuan, Fang Xu, Lihua Xie

分类: cs.RO

发布日期: 2025-02-18 (更新: 2025-02-25)

🔗 代码/项目: GITHUB

💡 一句话要点

LiMo-Calib：针对四足机器人全景3D传感系统的快速LiDAR-电机在位标定

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: LiDAR标定 四足机器人 全景3D感知 在线标定 自标定

📋 核心要点

  1. 四足机器人搭载旋转LiDAR的全景3D感知系统易受振动影响，导致LiDAR-电机外参变化，现有标定方法难以满足现场实时性需求。
  2. LiMo-Calib直接从原始LiDAR数据中提取几何特征进行标定，无需外部目标，并通过特征选择和重加权机制提升效率和鲁棒性。
  3. 实验表明，LiMo-Calib显著提高了标定效率和3D传感精度，验证了其在实际机器人应用中的有效性，并提升了LIO的精度。

📝 摘要（中文）

传统单LiDAR系统受限于其有限的视场(FoV)，导致盲点和不完整的环境感知，尤其是在有效载荷受限的机器人平台上。集成电动LiDAR提供了一个实用的解决方案，通过显著扩展传感器的FoV并实现自适应全景3D传感。然而，四足机器人高频振动引入了标定挑战，导致LiDAR-电机变换的改变，从而降低了传感精度。现有的使用人工目标或密集特征提取的标定方法对于现场应用和实时实现缺乏可行性。为了克服这些限制，我们提出了LiMo-Calib，一种高效的现场标定方法，通过直接从原始LiDAR扫描中提取几何特征，消除了对外部目标的需求。LiMo-Calib优化了基于正态分布的特征选择，以加速收敛，同时保持精度，并结合了评估局部平面拟合质量的重加权机制，以增强鲁棒性。我们将所提出的方法集成到安装在四足机器人上的电动LiDAR系统上，并对其进行了验证，证明了标定效率和3D传感精度的显著提高，使LiMo-Calib非常适合实际机器人应用。我们进一步证明了使用标定参数后，LIO在全景3D传感系统上的精度提升。代码将在https://github.com/kafeiyin00/LiMo-Calib上提供。

🔬 方法详解

问题定义：论文旨在解决四足机器人搭载旋转LiDAR的全景3D感知系统中，由于机器人运动和振动导致的LiDAR-电机外参在线标定问题。现有方法依赖人工标定物或计算量大的特征提取，难以满足现场实时性需求，且鲁棒性较差。

核心思路：LiMo-Calib的核心思路是利用原始LiDAR数据中的几何特征（平面）进行自标定，避免使用外部标定物。通过优化特征选择策略和引入重加权机制，提高标定效率和鲁棒性，从而实现快速、准确的在线标定。

技术框架：LiMo-Calib的整体流程包括：1) 从原始LiDAR扫描中提取平面特征；2) 基于正态分布进行特征选择，筛选出高质量的平面特征；3) 利用选定的平面特征，通过优化算法估计LiDAR-电机之间的变换矩阵；4) 引入重加权机制，根据局部平面拟合质量调整权重，进一步提高标定精度和鲁棒性。

关键创新：LiMo-Calib的关键创新在于：1) 提出了一种无需外部目标的自标定方法，适用于现场应用；2) 优化了特征选择策略，基于正态分布选择高质量的平面特征，加速了收敛速度；3) 引入了重加权机制，根据局部平面拟合质量调整权重，提高了标定的鲁棒性。与现有方法相比，LiMo-Calib在效率、鲁棒性和易用性方面具有显著优势。

关键设计：特征选择基于法向量分布的方差，选择方差小的平面，认为其质量高。重加权机制基于平面拟合的残差，残差越大，权重越小。优化算法采用非线性最小二乘法，目标函数是平面方程的残差平方和。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在四足机器人平台上验证了LiMo-Calib的有效性。实验结果表明，LiMo-Calib能够显著提高标定效率和3D传感精度。具体性能数据未知，但论文强调了与现有方法相比，LiMo-Calib在效率和鲁棒性方面的显著提升，并展示了标定后LIO精度的提高。

🎯 应用场景

LiMo-Calib适用于各种搭载旋转LiDAR的移动机器人平台，尤其是在复杂、动态环境中作业的四足机器人。该方法可用于提升机器人自主导航、环境建模和目标识别的精度和可靠性，在搜索救援、巡检、农业等领域具有广泛的应用前景，并有望推动机器人智能化水平的提升。

📄 摘要（原文）

Conventional single LiDAR systems are inherently constrained by their limited field of view (FoV), leading to blind spots and incomplete environmental awareness, particularly on robotic platforms with strict payload limitations. Integrating a motorized LiDAR offers a practical solution by significantly expanding the sensor's FoV and enabling adaptive panoramic 3D sensing. However, the high-frequency vibrations of the quadruped robot introduce calibration challenges, causing variations in the LiDAR-motor transformation that degrade sensing accuracy. Existing calibration methods that use artificial targets or dense feature extraction lack feasibility for on-site applications and real-time implementation. To overcome these limitations, we propose LiMo-Calib, an efficient on-site calibration method that eliminates the need for external targets by leveraging geometric features directly from raw LiDAR scans. LiMo-Calib optimizes feature selection based on normal distribution to accelerate convergence while maintaining accuracy and incorporates a reweighting mechanism that evaluates local plane fitting quality to enhance robustness. We integrate and validate the proposed method on a motorized LiDAR system mounted on a quadruped robot, demonstrating significant improvements in calibration efficiency and 3D sensing accuracy, making LiMo-Calib well-suited for real-world robotic applications. We further demonstrate the accuracy improvements of the LIO on the panoramic 3D sensing system using the calibrated parameters. The code will be available at: https://github.com/kafeiyin00/LiMo-Calib.