LCCNet：基于代价体网络的激光雷达与相机自标定
计算机视觉与模式识别
2021-04-27 v2
摘要
本文提出一种用于激光雷达（LiDAR）与相机传感器的新型在线自标定方法。与之前将 RGB 图像和失标定的深度图像特征图拼接的基于 CNN 的方法相比，我们利用受 PWC-Net 启发的代价体进行特征匹配。除对预测的外参标定参数的平滑 L1 损失外，还施加了额外的点云损失。我们不直接回归 LiDAR 与相机之间的外参，而是预测从初始标定到真实值的失标定偏差。在推理过程中，通过使用迭代细化与时间滤波方法，标定误差进一步减小。在 KITTI 数据集上的评估结果表明，对于高达 1.5m 和 20{\deg} 的失标定幅度，我们的方法在平均绝对标定误差方面优于基于 CNN 的最先进方法，平移为 0.297cm，旋转为 0.017{\deg}。
引用
@article{arxiv.2012.13901,
title = {LCCNet: LiDAR and Camera Self-Calibration using Cost Volume Network},
author = {Xudong Lv and Boya Wang and Dong Ye and Shuo Wang},
journal= {arXiv preprint arXiv:2012.13901},
year = {2021}
}