UniCal：统一神经传感器标定

自动驾驶车辆（SDV）需要准确标定 LiDAR 和相机，以精确融合传感器数据实现自动驾驶。传统标定方法通常利用在受控结构化场景中捕获的基准标志，并计算对应关系以进行优化。这些方法成本高昂，需要大量基础设施和操作，难以在车队规模上扩展。在本工作中，我们提出 UniCal，一个用于轻松标定配备多个 LiDAR 和相机的 SDV 的统一框架。我们的方法建立在可微场景表示之上，能够渲染多视角几何与光度一致的传感器观测。我们通过可微体积渲染联合学习传感器标定与底层场景表示，利用室外传感器数据而无需特定的标定基准标志。与现有标定系统相比，这种“边驾驶边标定”的方法显著降低了成本与操作开销，从而能够大规模高效标定大型 SDV 车队。为确保来自不同传感器的观测之间的几何一致性，我们引入了一种新颖的表面对齐损失，将基于特征的配准与神经渲染相结合。在多个数据集上的全面评估表明，UniCal 优于或匹配了现有标定方法的精度，同时效率更高，证明了 UniCal 在可扩展标定方面的价值。