OmniCalib: Target-Free, Task-Structured Self-Calibration for Humanoid Robots
作者: Kaixiang Lu, Haiyu Lan, Chunxiao Qiao, You Li, Enyu Li, Yehao Lu, Jiarui Yang, Peiwen Lin, Chuang Wang
分类: cs.RO
发布日期: 2026-09-17
备注: 6 figures, 3 tables
💡 一句话要点
提出OmniCalib以解决人形机器人自校准问题
🎯 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: 自校准 人形机器人 深度ICP 多摄像头 机器人运动 传感器校准 CAD模型 动态补偿
📋 核心要点
- 现有的校准方法只能针对单一传感器对进行校准，或依赖外部标识物，限制了应用的灵活性和效率。
- OmniCalib通过利用机器人自身的运动和传感器，提出了一种无需目标的自校准工作流程，能够全面校准机器人关节和摄像头。
- 实验结果显示，OmniCalib在校准精度上优于传统方法，左手腕和胸部摄像头的外部参数修正分别为10.56mm和1.74度，具有较高的实用价值。
📝 摘要（中文）
随着组装、磨损和组件更换，传感器的外部参数和关节零点会受到影响。现有方法通常只能校准一对传感器或需要外部标识物。本文提出OmniCalib，一个无需目标的工作流程，能够自校准人形机器人全身的上肢（14个关节零点及手腕和胸部摄像头的外部参数）、下肢及多摄像头头部装置。每个模块将机器人原生任务与参数块匹配，检查可观测性，并仅将支持的修正写入CAD模型。通过深度ICP方法，成功恢复所有14个上肢关节零点，并校准所有RGB-D摄像头的外部参数，取得了显著的精度提升。
🔬 方法详解
问题定义：本文旨在解决人形机器人在组装和使用过程中，由于传感器外部参数和关节零点的变化而导致的校准问题。现有方法的痛点在于只能针对单一传感器对进行校准，或依赖外部标识物，限制了灵活性和效率。
核心思路：OmniCalib的核心思路是利用机器人自身的运动和传感器数据，构建一个无需目标的自校准工作流程，能够全面校准机器人的上肢、下肢及多摄像头系统。通过将机器人原生任务与参数块匹配，确保校准过程的可观测性。
技术框架：该方法的整体架构包括多个模块，首先通过机器人运动生成数据，然后将数据与CAD模型进行对比，最后通过深度ICP方法进行参数修正。每个模块负责特定的校准任务，确保整个过程的高效性和准确性。
关键创新：OmniCalib的最大创新在于其目标自由的校准流程，能够同时校准多个关节和摄像头的外部参数，显著提高了校准的效率和精度。这一方法与传统依赖外部标识物的校准方法有本质区别。
关键设计：在技术细节上，采用了深度ICP方法来恢复关节零点和摄像头外部参数，设置了特定的损失函数以优化校准精度。实验中，使用了静态双支撑姿态和多摄像头视觉里程计相结合的动态补偿策略，确保了校准的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，OmniCalib在校准精度上表现优异，左手腕和胸部摄像头的外部参数修正分别为10.56mm和1.74度，右手腕为6.33mm和1.25度，整体ICP点到平面的残差为2.09mm，显示出与传统方法的显著提升。
🎯 应用场景
OmniCalib的研究成果在机器人领域具有广泛的应用潜力，尤其是在服务机器人、工业机器人和人形机器人等场景中。通过提高自校准的效率和精度，能够显著提升机器人的自主性和适应能力，推动智能机器人技术的进步和普及。
📄 摘要（原文）
Assembly, wear, and component replacement perturb the sensor extrinsics and joint zeros encoded by a humanoid CAD model. Existing procedures calibrate one sensor pair or require external fiducials. Using only robot-native motion and onboard sensing, we present OmniCalib, a target-free workflow that calibrates the full upper limbs---all 14 arm joint zeros and the extrinsics of both wrist and chest cameras---as well as lower limbs and the multi-camera head rig. Each module matches a robot-native task to a parameter block, checks observability, and writes only supported corrections to the CAD model. Our depth ICP method recovers all 14 arm joint zeros and calibrates all RGB-D camera extrinsics without any calibration target. Relative to CAD, the estimated extrinsic corrections are 10.56 mm and 1.74 degrees for the left wrist, 6.33 mm and 1.25 degrees for the right wrist, and 9.81 mm and 0.929 degrees for the chest RGB-D camera. ICP point-to-plane residual is 2.09 mm. On the same injected offsets, ICP and ArUco recover all 14 joint zeros below the 0.1-degree encoder-resolution reference. On an AGIBOT A3 Ultra humanoid, four static double-support stances recover all 12 lower-limb joint-zero offsets injected with an RMS error of 0.063 degrees. The head module combines multi-camera visual odometry with legged odometry and dynamic compensation through the live ROS transform tree. Using only planar walking, it attains a mean SO(3) error of 1.061 degrees across three sequences. The best sequence reaches 0.775 degrees, competitive with iKalibr at 0.902 degrees from rich 6-DOF excitation. Rig-relative angles repeat within 0.140 degrees. Injection recovery and held-out tests validate each observable block.