解读lidar_camera_calib代码的优化内容

碎碎念

最近正在研究non-target 方式下的相机与Lidar的联合标定问题。其中一项研究涉及香港中文大学 Mars 实验室开源的一个项目：GitHub - hku-mars/livox_camera_calib: This repository is used for automatic calibration between high resolution LiDAR and camera in targetless scenes.

这个项目在初期并未引起我的足够重视。潜意识认为这种基于线特征的匹配不太靠谱。经过一番认真研读代码后,我对处理细节的理解非常深刻。

先谈谈目前对于这个项目的感受吧

优点：

• 属性识别过程并不复杂（未考虑语义信息）但显示出良好的效果
• 该优化策略整体表现良好（构建得合理 + 详细处理了迭代步骤）
• 结果显示令人满意

缺点：

• 不适用于少数量程的机械雷达
• 点云线特征提取耗时较多，在图像处理方面表现得更快捷
• 相比一些端对端的calib网络而言，在环境适应性方面要求更为严格
• 相比其他类型的网络而言，在依赖程度上明显低于其他技术路线

无论如何，在与基于枚举法求解最优值的项目相比，这个项目的方案相去甚远。

rough calibration

在粗匹配过程中，首先通过枚举所有可能的角度组合来获取候选参数集