Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy

📄 arXiv: 2503.17002v1 📥 PDF

作者: Weimin Wang, Yu Du, Ting Yang, Yu Liu

分类: cs.RO, cs.AI

发布日期: 2025-03-21

💡 一句话要点

LiRaCo：提出一种基于柱面占据栅格的LiDAR与雷达无目标6DoF标定方法

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: LiDAR 雷达 外参标定 无目标标定 多传感器融合

📋 核心要点

  1. 多传感器融合是自动驾驶的关键，但传感器外参易受震动影响，需要自动标定。
  2. LiRaCo利用LiDAR和雷达在柱面坐标下的空间占据一致性进行无目标标定。
  3. 实验表明，LiRaCo在真实数据集上实现了LiDAR和雷达的精确外参标定。

📝 摘要（中文）

针对LiDAR和2D扫描雷达融合在自动驾驶中因震动导致的外部参数漂移问题，本文提出了一种名为LiRaCo的无目标6自由度标定方法。该方法利用LiDAR点云和雷达扫描数据在柱面表示下的空间占据一致性，考虑到两种传感器数据随距离增加的稀疏性。LiRaCo将雷达扫描像素扩展为3D占据栅格，并基于空间一致性约束LiDAR点云。通过空间重叠构建包含外部标定参数的代价函数，并通过优化该函数估计外部参数。在两个真实户外数据集上的实验结果表明了该方法的可行性和准确性。源代码将会公开。

🔬 方法详解

问题定义：论文旨在解决LiDAR和2D扫描雷达在自动驾驶应用中，由于震动等因素导致的外参（6DoF，即六自由度）标定参数漂移问题。现有方法通常依赖人工标定板或特定目标，难以满足自动标定的需求。此外，雷达垂直分辨率低，直接建立LiDAR点云和雷达扫描数据之间的几何对应关系非常困难。

核心思路：论文的核心思路是利用LiDAR点云和雷达扫描数据在空间中的占据一致性。虽然雷达分辨率较低，但其扫描到的空间区域应与LiDAR点云占据的空间区域存在重叠。通过将雷达数据转换为3D占据栅格，并约束LiDAR点云位于这些栅格内，可以建立一个基于空间一致性的代价函数，从而估计外参。

技术框架：LiRaCo方法的整体流程如下：1) 数据预处理：对LiDAR点云和雷达扫描数据进行预处理，例如滤波和坐标转换。2) 柱面坐标转换：将LiDAR点云和雷达扫描数据转换到柱面坐标系下，以更好地处理传感器数据随距离增加的稀疏性。3) 雷达数据扩展：将雷达扫描像素扩展为3D占据栅格，表示雷达扫描到的空间区域。4) 代价函数构建：基于LiDAR点云和雷达占据栅格的空间重叠程度，构建包含外参的代价函数。5) 外参优化：使用优化算法（如Levenberg-Marquardt算法）最小化代价函数，从而估计外参。

关键创新：LiRaCo的关键创新在于：1) 提出了一种基于柱面坐标系下的空间占据一致性的无目标标定方法，无需人工标定板或特定目标。2) 将雷达扫描像素扩展为3D占据栅格，有效利用了雷达的几何信息，克服了雷达垂直分辨率低的挑战。3) 针对LiDAR和雷达数据随距离增加的稀疏性，在柱面坐标系下进行处理，提高了标定的鲁棒性。

关键设计：1) 柱面坐标系：使用柱面坐标系(r, θ, z)表示传感器数据，其中r是距离，θ是方位角，z是高度。2) 雷达占据栅格：将雷达扫描像素扩展为3D占据栅格，每个栅格表示该空间区域被雷达扫描到的概率。3) 代价函数：代价函数基于LiDAR点云位于雷达占据栅格内的概率构建，目标是最大化LiDAR点云位于雷达占据栅格内的概率。4) 优化算法：使用Levenberg-Marquardt算法优化代价函数，估计外参。

📊 实验亮点

论文在两个真实的户外数据集上进行了实验，验证了LiRaCo方法的可行性和准确性。实验结果表明，LiRaCo能够有效地标定LiDAR和雷达的外参，并且在不同类型的LiDAR传感器上都表现良好。具体性能数据未知，但论文强调了该方法在真实场景下的有效性。

🎯 应用场景

该研究成果可广泛应用于自动驾驶、机器人导航、智能交通等领域。通过实现LiDAR和雷达的自动标定，可以提高多传感器融合系统的鲁棒性和可靠性，从而提升自动驾驶车辆在复杂环境下的感知能力。此外，该方法无需人工干预，降低了系统维护成本，具有重要的实际应用价值。

📄 摘要（原文）

Owing to the capability for reliable and all-weather long-range sensing, the fusion of LiDAR and Radar has been widely applied to autonomous vehicles for robust perception. In practical operation, well manually calibrated extrinsic parameters, which are crucial for the fusion of multi-modal sensors, may drift due to the vibration. To address this issue, we present a novel targetless calibration approach, termed LiRaCo, for the extrinsic 6DoF calibration of LiDAR and Radar sensors. Although both types of sensors can obtain geometric information, bridging the geometric correspondences between multi-modal data without any clues of explicit artificial markers is nontrivial, mainly due to the low vertical resolution of scanning Radar. To achieve the targetless calibration, LiRaCo leverages a spatial occupancy consistency between LiDAR point clouds and Radar scans in a common cylindrical representation, considering the increasing data sparsity with distance for both sensors. Specifically, LiRaCo expands the valid Radar scanned pixels into 3D occupancy grids to constrain LiDAR point clouds based on spatial consistency. Consequently, a cost function involving extrinsic calibration parameters is formulated based on the spatial overlap of 3D grids and LiDAR points. Extrinsic parameters are finally estimated by optimizing the cost function. Comprehensive quantitative and qualitative experiments on two real outdoor datasets with different LiDAR sensors demonstrate the feasibility and accuracy of the proposed method. The source code will be publicly available.