UniCalib：基于统一深度表示的无目标激光雷达-相机标定概率流
机器人学
2025-08-12 v2 计算机视觉与模式识别
摘要
精确的激光雷达-相机标定对于将这两种传感器集成到机器人系统中以实现稳健感知至关重要。在自动驾驶等应用中，无目标在线标定使可从机械振动中快速纠正传感器错位，而无需额外的目标物。然而，现有方法在有效提取激光雷达和相机数据的一致特征方面存在局限，无法优先处理显著区域，导致跨模态对齐鲁棒性受损。为此，本文提出 DF-Calib，一种激光雷达-相机标定方法，将标定问题重新表述为内模态深度流估计问题。DF-Calib 从相机图像估计稠密深度图，并通过共享特征编码器提取一致的深度-深度特征，将稀疏的激光雷达投影深度图完成匹配，有效弥合 2D-3D 跨模态差距。此外，我们引入可靠性图以优先处理有效像素，提出感知加权稀疏流损失以增强深度流估计。跨多个数据集的实验结果验证了其准确性和通用性，其中 DF-Calib 在 KITTI 数据集上实现的平均平移误差为 0.635 cm，旋转误差为 0.045 度。
引用
@article{arxiv.2504.01416,
title = {UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations},
author = {Shu Han and Xubo Zhu and Ji Wu and Ximeng Cai and Wen Yang and Huai Yu and Gui-Song Xia},
journal= {arXiv preprint arXiv:2504.01416},
year = {2025}
}
备注
8 pages,5 figures