什么是传感器的标定 自动驾驶系统的传感器标定方法

自动驾驶系统的传感器标定方法

来源：智车科技

传感器标定是自动驾驶的基本需求 ，一个车上装了多个/多种传感器，而它们之间的坐标关系是需要确定的。湾区自动驾驶创业公司ZooX的co-founder和CTO是Sebastia Thrun的学生Jesse Levinson，他的博士论文就是传感器标定。

这个工作可分成两部分：内参标定和外参标定 ，内参是决定传感器内部的映射关系，比如摄像头的焦距，偏心和像素横纵比（+畸变系数），而外参是决定传感器和外部某个坐标系的转换关系，比如姿态参数（旋转和平移6自由度）。

摄像头的标定曾经是计算机视觉中3-D重建的前提，张正友老师著名的的Zhang氏标定法，利用Absolute Conic不变性得到的平面标定算法简化了控制场。

这里重点是，讨论不同传感器之间的外参标定，特别是激光雷达和摄像头之间的标定。

另外在自动驾驶研发中，GPS/IMU和摄像头或者激光雷达的标定，雷达和摄像头之间的标定也是常见的。不同传感器之间标定最大的问题是如何衡量最佳，因为获取的数据类型不一样：

这样的话，实现标定误差最小化的目标函数会因为不同传感器配对而不同。

另外，标定方法分targetless 和target 两种，前者在自然环境中进行，约束条件少，不需要用专门的target；后者则需要专门的控制场，有ground truth的target，比如典型的棋盘格平面板。

这里仅限于targetless方法的讨论，依次给出标定的若干算法。

01 首先是手眼标定

这是一个被标定方法普遍研究的，一定约束条件下的问题：可以广义的理解，一个“手” （比如GPS/IMU）和一个“眼” （激光雷达/摄像头）都固定在一个机器上，那么当机器运动之后，“手”和“眼”发生的姿态变化一定满足一定的约束关系，这样求解一个方程就可以得到“手”-“眼”之间的坐标转换关系，一般是AX=XB形式的方程。

手眼系统分两种：eye in hand 和eye to hand ，我们这里显然是前者，即手-眼都在动的情况。

手眼标定分两步法 和单步法 ，后者最有名的论文是“hand eye calibration using dual quaternion"。一般认为，单步法精度高于两步法，前者估计旋转之后再估计平移。

这里通过东京大学的论文“LiDAR and Camera Calibration using Motion Estimated by Sensor Fusion Odometry”来看看激光雷达和摄像头的标定算法。

显然它是求解一个手-眼标定的扩展问题-，即2D-3D标定，如图所示：

求解激光雷达的姿态变化采用ICP，而摄像头的运动采用特征匹配。后者有一个单目SFM的scale问题，论文提出了一个基于传感器融合的解法：初始估计来自于无尺度的摄像头运动和有尺度的激光雷达运动；之后有scale的摄像头运动会在加上激光雷达点云数据被重新估计。最后二者的外参数就能通过手-眼标定得到。下图是算法流程图：

手眼标定的典型解法是两步法： 先求解旋转矩阵，然后再估计平移向量，公式在下面给出：

现在因为scale问题，上述解法不稳定，所以要利用激光雷达的数据做文章，见下图：

3-D点云的点在图像中被跟踪，其2D-3D对应关系可以描述为如下公式：

而求解的问题变成了：

上面优化问题的初始解是通过经典的P3P得到的。

得到摄像头的运动参数之后可以在两步手眼标定法中得到旋转和平移6参数，其中平移估计如下：

注：这里估计摄像头运动和估计手眼标定是交替进行的，以改进估计精度。除此之外，作者也发现一些摄像头运动影响标定精度的策略，看下图分析：

可以总结出：1） 摄像头实际运动a 越小，投影误差越小；2） ( )越小，投影误差越小。第一点说明标定时候摄像头运动要小，第二点说明，标定的周围环境深度要变化小，比如墙壁。

另外还发现，增加摄像头运动的旋转角，摄像头运动估计到手眼标定的误差传播会小。

这个方法无法在室外自然环境中使用，因为点云投影的图像点很难确定。

有三篇关于如何优化激光雷达-摄像头标定的论文，不是通过3-D点云和图像点的匹配误差来估计标定参数，而是直接计算点云在图像平面形成的深度图，其和摄像头获取的图像存在全局匹配的测度。

不过这些方法，需要大量迭代，最好的做法是根据手眼标定产生初始值为好。

另外，密西根大学是采用了激光雷达反射值，悉尼大学在此基础上改进，两个都不如斯坦福大学方法方便，直接用点云和图像匹配实现标定。

斯坦福论文“Automatic Online Calibration of Cameras and Lasers”。

斯坦福的方法是在线修正标定的“漂移” ，如下图所示：精确的标定应该使图中绿色点（深度不连续）和红色边缘（通过逆距离变换 IDT，即inverse distance transform）匹配。

标定的目标函数是这样定义的：

其中w 是视频窗大小，f 是帧#，(i, j) 是图像中的像素位置，而p是点云的3-D点。X表示激光雷达点云数据，D是图像做过IDT的结果。

下图是实时在线标定的结果例子：

第一行标定好的，第二行出现漂移，第三行重新标定。

密西根大学的论文“Automatic Targetless Extrinsic Calibration of a 3D Lidar and Camera by Maximizing Mutual Information”。

这里定义了标定的任务就是求解两个传感器之间的转换关系，如图：求解R，T。

定义的Mutual Information (MI) 目标函数是一个熵值：

求解的算法是梯度法：

下图是一个标定的例子：RGB像素和点云校准。

澳大利亚悉尼大学的论文“Automatic Calibration of Lidar and Camera Images using Normalized Mutual Information”。

本文是对上面方法的改进。传感器配置如图：

标定的流程在下图给出：

其中定义了一个新测度Gradient Orientation Measure (GOM)如下：

实际上是图像和激光雷达点云的梯度相关测度。

点云数据和图像数据匹配时候需要将点云投影到柱面图像上，如图所示：

投影公式如下：

而点云的梯度计算之前需要将点云投影到球面上，公式如下：

最后，点云的梯度计算方法如下：

标定的任务就是求解GOM最大，而文中采用了蒙特卡洛方法 ，类似particle filter。下图是一个结果做例子：

IMU-摄像头标定

德国Fraunhofer论文“INS-Camera Calibration without Ground Control Points“。

本文虽然是给无人机的标定，对车辆也适合。

这是IMU定义的East, North, Up (ENU) 坐标系：

而实际上IMU-摄像头标定和激光雷达-摄像头标定都是类似的，先解决一个手眼标定，然后优化结果 。只是IMU没有反馈信息可用，只有姿态数据，所以就做pose graph optimization。下图是流程图：其中摄像头还是用SFM估计姿态。

这是使用的图像标定板：

03 激光雷达系统标定

牛津大学论文“Automatic self-calibration of a full field-of-view 3D n-laser scanner".

本文定义点云的“crispness” 作为质量测度，通过一个熵函数Rényi Quadratic Entropy (RQE）最小化作为在线标定激光雷达的优化目标。（注：其中作者还讨论了激光雷达的时钟偏差问题解决方案）

“crisp“其实是描述点云分布作为一个GMM（Gaussian Mixture Model）形式下的致密度。根据信息熵的定义，RQE被选择为测度：

下图是一个标定后采集的点云结果：

标定算法如下：

04 雷达-摄像头标定

西安交大论文“Integrating Millimeter Wave Radar with a Monocular Vision Sensor for On-Road Obstacle Detection Applications”。

在讲传感器融合的时候提过这部分工作，这里重点介绍标定部分。首先坐标系关系如下：

传感器配置如下：

标定环境如下：

标定其实是计算图像平面和雷达反射面之间的homography矩阵参数，如下图：

传感器的标定与校准-传感器的选用原则- 斯巴拓

推动物理学基础理论研究 书写新的物质基本属性

德国亥姆霍兹联合会研究中心的研究人员在德国德累斯顿大学、圣安德鲁斯大学、拉普拉塔大学及英国牛津大学同事的协作下，首次观测到了磁单极子的存在，以及这些磁单极子在一种实际材料中出现的过程。

该研究成果发表在2009年9月3日《science》杂志上。

研究人员研究一种钛酸镝单晶体材料可结晶成相当显著的几何形状。在中子散射下，证实材料内部的磁矩已重新组织成所谓的“自旋式意大利面条” 。研究人员对晶体施加磁场，影响弦的对称和方向，降低弦网络的密度以促成单极子的分离。在0.6K到2K温度条件下，在弦两端出现了磁单极子。

传感器的定标与校准

标定与校准的概念

标定的基本方法

标定系统的组成

四、传感器的静态标定常用仪器设备

力：测力砝码、拉（压）式测力计

压力：活塞式压力计、水银压力计、麦氏真空计

位移：深度尺、千分尺、块规

温度：铂电阻温度计、热电偶、基准光电高温比色仪

五、传感器的动态标定常用仪器设备

标准激励信号：瞬变函数：阶跃波

周期函数：正弦波

低频激振信号： 电磁振动台、低频回转台、

机械振动台、液压振动台

高频瞬变函数激励信号：激波管

传感器的选用原则

与测量条件有关的因素

与传感器有关的技术指标

与使用环境有关的因素

与购买和维修有关的因素

一、与测量条件有关的因素

(1) 测量的目的；

(2) 被测试量的选择；

(3) 测量范围；

(4) 输入信号的幅值，频带宽度；

(5) 精度要求；

(6) 测量所需要的时间。

二、与传感器有关的技术指标

(1) 精度；

(2) 稳定度；

(3) 响应特性；

(4) 模拟量与数字量；

(5) 输出幅值；

(6) 对被测物体产生的负载效应；

(7) 校正周期；

(8) 超标准过大的输入信号保护。

三、与使用环境条件有关的因素

(1) 安装现场条件及情况；

(2) 环境条件(湿温度、振动等)；

(3) 信号传输距离；

(4) 所需现场提供的功率容量。

四、与购买和维修有关的因素

(1) 价格；

(2) 零配件的储备；

(3) 服务与维修制度，保修时间；

(4) 交货日期。

传感器的选用原则

（1）基本参数指标

量程指标：

量程范围、过载能力等

灵敏度指标：

灵敏度、分辨力、满量程输出等

精度有关指标：

精度、误差、线性、滞后、重复性、灵敏度误差、稳定性

动态性能指标：

固定频率、阻尼比、时间常数、频率响应范围、频率特性、临界频率、临界速度、稳定时间等

（2）环境参数指标

温度指标：

工作温度范围、温度误差、温度漂移、温度系数、热滞后等

抗冲振指标：

允许各向抗冲振的频率、振幅及加速度、冲振所引入的误差

其他环境参数：

抗潮湿、抗介质腐蚀等能力、抗电磁场干扰能力等

（3）可靠性指标

工作寿命、平均无故障时间、保险期、疲劳性能、绝缘电阻、耐压及抗飞弧等

（4）其他指标

使用有关指标：

供电方式（直流、交流、频率及波形等）、功率、各项分布参数值、电压范围与稳定度等

外形尺寸、重量、壳体材质、结构特点等

安装方式、馈线电缆等

相关问答

传感器标定的基本方法如下:根据系统的用途输入可以是静态的也可以是动态的。因此传感器的标定有静态和动态标定两种。但应注意:由于一个已知的动态源不能独立...

传感器的标定:对装配好的传感器,对设计指标进行一系列实验,全面检测,确定实际性能。传感器的校准:在使用一段时间或修理后,对主要技术指标进行再次检测试...

传感器是一种能把物理量或化学量转变成便于利用的电信号的器件。传感器是测量系统中的一种前置部件,它将输入变量转换成可供测量的信号。光电传感...

利用标准器具对传感器进行标度的过程称为标定。具体到压电式压力传感器来说,用专用的标定设备,如活塞式压力计,产生一个大小已知的标准力。作用在传感器上,...

首先我们需要了解一下拉力传感器的优缺点有哪些。拉力传感器的优点是精度高,测量范围广,寿命长,结构简单,频响特性好,能在恶劣条件下工作,易于实现小型化、整...

步骤如下:1.将传感器全量程标准输入量分成若干个间断点,取各点的值作为标准输入值。2.由小到大一点一点地输入标准值,待输出稳定后记录与各输入值相对应的输...

你好,我是余姚赛尔斯的技术员。标定称重传感器首先需要准备:称重传感器,配套的称重仪表,与传感器满量程接近的标准力值或重物。接线完毕后根据称重仪表标定说...

1、将传感器全量程标准输入量分成若干个间断点,取各点的值作为标准输入值。2、由小到大一点一点地输入标准值,待输出稳定后记录与各输入值相对应的输出值。3...

[最佳回答]1:首先明确的您是购买的桥式传感器,也就是用在地磅上的.传感器主体是放在地磅秤体下面的,传感器上放上钢球,钢球上面的是钢碗,钢碗与秤体相连接.2:...

中联吊车坡道传感器标定的步骤如下:1.确保吊车在平坦的地面上,并且发动机处于关闭状态。2.找到坡道传感器,通常位于吊车的底盘或驾驶室下方。3.使用专门...