使用LIO-SAM进行点云赋色 与 激光雷达和相机的精细化标定(防止自己忘记的博客)----- 激光雷达和相机的精细化标定

目录

[1 标定相机](#1 标定相机)

[2 激光雷达、相机粗标定](#2 激光雷达、相机粗标定)

[3 精细化标定激光雷达和相机](#3 精细化标定激光雷达和相机)


1 标定相机

使用Kaliber标定D435i相机,本次标定的分辨率为1920*1080,相机的内参如下:

FX:1439.96402547

FY:1442.82612329

CX:979.00103052

CY:565.47085426

K1:0.10055069

K2:-0.2034116

P1:0.00245444

P2:-0.00117788

由于做点云赋色,并不要求VIO性能,因此重投影误差不要求很小,本次重投影误差为2pixel:

2 激光雷达、相机粗标定

使用autoware的雷达相机标定工具,粗略的求出Lidar->Camera和Camera->Lidar的旋转平移变换:

Tcl

\[-0.06861033 -0.99751013 -0.01631455 0.03627205

0.03137146 0.01418779 -0.99940709 -0.03832164

0.99715017 -0.06908146 0.03031992 -0.03982055

0. 0. 0. 1. \]

Tlc

\[-0.06861033 0.03137146 0.99715016 0.04339791

-0.99751013 0.0141878 -0.06908146 0.03397458

-0.01631454 -0.9994071 0.03031992 -0.0364998

0. 0. 0. 1. \]

3 精细化标定激光雷达和相机

使用录制好的标定包,删除掉工作空间的这三个文件夹的内容:

在外刷新ROS环境。并进入clion:

启动groundremove节点,并播放标定用包。位置在/bag/PatchmatchNet-main/data/清明/assistBD.bag中。

得到了拆分的雷达点云和图像:

得到拆分图像后,运行/home/liuhongwei/catkin_mask/src/predict_in_lvi.py文件,执行DetectMask函数,将文件夹换成mask文件夹。

执行。得到标定的mask信息。

在assistBiaoding.cpp中,将相机参数换掉。

代码的57-59行替换雷达->相机的变换矩阵。

27-33行读入邻近的帧

原本的标定结果是这样的,需要调整,对齐图像:

得到精细化标定结果:

选择另外图像进行微调:

微调成功!标定成功!

相关推荐
wangxiaoxuan2173 小时前
移动操作机器人如何协同:底盘、升降、机械臂与资源约束
机器人·科沃斯八界
天树星智源1 天前
记忆该记「赔率跳变」:机器人长时程十连任务,事件记忆 88.0%,删掉失败记录只剩 1.7%
论文阅读·人工智能·机器人
kyle~1 天前
因子图优化(Factor Graph Optimization)
c++·算法·机器人·传感器
硅谷秋水1 天前
MorphMimic 方法分析
人工智能·机器学习·计算机视觉·机器人
jay神1 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
万俟淋曦1 天前
[ROS 系列学习教程] 建模与仿真 - 使用 ros_control 控制六轴串联机械臂
人工智能·ai·机器人·ros·机械臂·robotics·具身智能
wangxiaoxuan2172 天前
机器人软件系统全景:感知、定位、规划、控制与决策如何协作
机器人·科沃斯八界
wangxiaoxuan2172 天前
理解 MoveIt:机器人状态、规划场景和规划流水线
机器人·科沃斯八界·机械臂控制
蓝天居士2 天前
ROS2从入门到精通(10)
机器人·ros·ros 2
wangxiaoxuan2173 天前
SLAM 的基本结构:前端、后端、回环与地图优化
前端·机器人·科沃斯八界