lidar_camera_calib代码解读-优化部分

碎碎念

最近在调研一下non-target 方式的相机Lidar联合标定，其中包括HK mars实验室开源的项目GitHub - hku-mars/livox_camera_calib: This repository is used for automatic calibration between high resolution LiDAR and camera in targetless scenes.

这个项目在刚开始并没有得到我的足够重视，潜意识里觉得这种基于线特征的匹配不是太靠谱，但是，在仔细阅读代码后，还是觉得很多细节的处理让人收益匪浅。

先谈谈目前对于这个项目的感受吧

优点：

• 特征的提取不复杂（没有利用语义这些）但是看起来有效
• 优化的迭代方式有效（损失函数的有效建立 + 迭代过程的细节处理）
• 最后结果看起来不错

缺点：

• 不太适用于低线数的机械雷达
• 点云线特征的提取有点慢，相比于图像。
• 对于环境的要求还是比较高的（相比于一些端对端的calib网络）
• 和ros的结合有点鸡肋，项目内容似乎并不依赖ros的通信机制

Whatever，相比于一些利用枚举法求解最优值的项目，这个项目的方法还是不知道高明到哪里去了。

rough calibration

粗匹配中，会通过枚举的方式会得到很多角度的组合，对于每一个组合，会计算一个metric。然后，选择metric表现最好的欧拉角。

所以，对应的metric是什么呢？

        float cost = (calibra.plane_line_cloud_->size() - pnp_list.size()) *
                     1.0 / calibra.plane_line_cloud_->size();

上面的cost就表示了mertric的组成。其中plane_line_cloud表示了点云中所有的线特征的点。pnp_list包含了lidar和图像所有匹配上的点数。所以，匹配的点数越多，cost越小。

粗匹配的目标就是找到匹配点数最多的外参。以此开始进行优化。

refine calibration

接下来的精匹配，在pnp中，它会不断缩短buildVPnp的匹配距离。每一次缩短匹配距离后，可以匹配上的点会减少。基于缩短的距离，重新选择匹配的点，进行优化。比较有趣的是，它会选择连续进行两次ceres优化。

目前的代码策略是一直按照距离进行迭代更新，没有其他终止条件。

总结

从细节上，对于粗匹配时，损失函数的定义其实不难想到，但是，也没那么容易吧！

在精匹配时，通过距离为阈值，不管更新参与优化的观测，还是一个非常不错的尝试。值得借鉴和学习。