利用D435i相机进行SLAM实现建图的关键环节-----Kalibr标定工具以及常见的问题调试

在SLAM系统中，相机标定是获取准确的空间信息和三维重建的关键步骤。对于Intel RealSense D435i这类双目相机，正确的内参和外参不仅能提高位姿估计精度，还能显著改善重建效果。本文将详细介绍如何使用Kalibr对D435i进行双目标定，并涵盖常见的问题与调试技巧。

1. 环境准备

关于kalibr的工具安装网上有许多教程，这里我推荐一个个人认为较为完善的博客，大家可以参考进行下载，编译安装。链接：D435i标定摄像头和IMU笔记二-2（RGB+双目多摄像头标定篇）_d435i 双目+rgb标定-CSDN博客

2. 启动相机并准备话题

首先，启动RealSense D435i相机并配置左右红外摄像头(如何开启D435i相机的双目模式，可以参考我往期的博客，有详细的配置介绍)：

bash 复制代码

roslaunch realsense2_camera rs_stere_camera.launch

可以使用以下命令动态调整相机参数，例如曝光时间和增益（这一步可以省略，如果默认关闭状态）：

bash 复制代码

rosrun rqt_reconfigure rqt_reconfigure

为了减少数据量并提高标定效率，可以使用topic_tools进行消息节流(分别打开窗口运行，也可以写成一行)：

bash 复制代码

rosrun topic_tools throttle messages /camera/infra1/image_rect_raw 4.0 /infra_left
rosrun topic_tools throttle messages /camera/infra2/image_rect_raw 4.0 /infra_right

这会将红外相机的数据频率限制为4Hz，减少系统负载。

参考如下：

3. 数据录制

接下来，开始录制用于标定的数据包。确保已经在ROS工作空间的根目录下，且已经执行了source devel/setup.bash。

使用以下命令录制包含左右相机图像的话题：

bash 复制代码

rosbag record -o stere_calibr.bag /infra_left /infra_right

录制要点：

丰富视角：从多个角度和距离采集数据。
充分旋转和平移：确保相机有充分的运动轨迹。
避免运动模糊：尽量减少快速移动，确保图像清晰。
光照均匀：避免强光和阴影干扰。

4. Kalibr标定

准备好标定板（例如AprilGrid）并确保相机数据已经正确录制后，可以开始进行Kalibr标定。

首先，确保标定板参数文件aprilgrid.yaml已正确配置，例如：

XML 复制代码

target_type: 'aprilgrid'
tagCols: 6
tagRows: 6
tagSize: 0.08  # 标签的实际边长 (单位：米)
tagSpacing: 0.3  # 标签间的间隔比例 (tagSpacing / tagSize)

然后运行Kalibr标定命令：

XML 复制代码

rosrun kalibr kalibr_calibrate_cameras \
    --target aprilgrid.yaml \
    --bag stere_calibr.bag \
    --models pinhole-equi pinhole-equi \
    --topics /infra_left /infra_right \
    --show-extraction \后面回解读参数的作用
    --approx-sync 0.04

关键参数解释：

--target：标定板参数文件。
--bag：Bag文件路径。
--models ：相机模型类型，这里选择了pinhole-equi以适应D435i广角镜头。
--topics：左右相机的ROS话题。
--show-extraction：在标定过程中显示角点提取结果。
--approx-sync：时间戳近似同步窗口（40ms），避免严格对齐失败。

生成的标定文件：

标定txt文件：

html 复制代码

Calibration results 
====================
Camera-system parameters:
cam0 (/infra_left):
    type: <class 'aslam_cv.libaslam_cv_python.EquidistantDistortedPinholeCameraGeometry'>
    distortion: [ 0.3135947   0.32455235 -0.52654756  0.58506327] +- [0.02050455 0.19255653 0.70592142 0.873231  ]
    projection: [661.4974262  662.56148611 635.82997386 361.51483888] +- [0.16035361 0.4681932  0.98190918 2.22391354]
    reprojection error: [0.000001, -0.000008] +- [0.266003, 0.297355]

cam1 (/infra_right):
    type: <class 'aslam_cv.libaslam_cv_python.EquidistantDistortedPinholeCameraGeometry'>
    distortion: [ 0.34287689  0.19791578 -0.48234189  0.93543806] +- [0.01205634 0.07763847 0.16784572 0.21190066]
    projection: [629.89882172 631.59908506 635.52002364 353.59436006] +- [0.12344688 0.36096015 0.83769264 1.90513144]
    reprojection error: [-0.000000, 0.000003] +- [0.229563, 0.258023]

baseline T_1_0:
    q: [0.00150385 0.00153018 0.00063099 0.9999975 ] +- [0.00267581 0.00270488 0.00063291]
    t: [-0.05021712  0.0024024  -0.01461257] +- [0.00105519 0.00173179 0.00038129]



Target configuration
====================

  Type: aprilgrid
  Tags: 
    Rows: 6
    Cols: 6
    Size: 0.03 [m]
    Spacing 0.009 [m]

标定的yaml文件：

java 复制代码

cam0:
  cam_overlaps: [1]
  camera_model: pinhole
  distortion_coeffs: [0.3135947033969634, 0.3245523536725653, -0.5265475626529273, 0.585063272337577]
  distortion_model: equidistant
  intrinsics: [661.4974261968929, 662.5614861133771, 635.8299738560407, 361.5148388773697]
  resolution: [1280, 720]
  rostopic: /infra_left
cam1:
  T_cn_cnm1:
  - [0.9999945208092658, 0.0012665781221903227, -0.003058452436623379, -0.05021711623497154]
  - [-0.0012573734817375377, 0.999994680572997, 0.0030096241686901823, 0.0024023984784722146]
  - [0.003062248091536979, -0.003005762061396358, 0.9999907939731525, -0.014612567870044153]
  - [0.0, 0.0, 0.0, 1.0]
  cam_overlaps: [0]
  camera_model: pinhole
  distortion_coeffs: [0.34287689294735485, 0.19791578378741437, -0.4823418924085219, 0.9354380622997973]
  distortion_model: equidistant
  intrinsics: [629.8988217210396, 631.5990850564253, 635.5200236409538, 353.59436006397107]
  resolution: [1280, 720]
  rostopic: /infra_right

标定的评估pdf文件：

5. 常见问题与调试

bash 复制代码

Cameras are not connected through mutual observations, please check the dataset. Maybe adjust the approx. sync. tolerance.
Traceback (most recent call last):
  File "/home/nan/dev/kalibr_ws/devel/bin/kalibr_calibrate_cameras", line 15, in <module>
    exec(compile(fh.read(), python_script, 'exec'), context)
  File "/home/nan/dev/kalibr_ws/src/kalibr/aslam_offline_calibration/kalibr/python/kalibr_calibrate_cameras", line 444, in <module>
    main()
  File "/home/nan/dev/kalibr_ws/src/kalibr/aslam_offline_calibration/kalibr/python/kalibr_calibrate_cameras", line 201, in main
    graph.plotGraph()
  File "/home/nan/dev/kalibr_ws/src/kalibr/aslam_offline_calibration/kalibr/python/kalibr_camera_calibration/MulticamGraph.py", line 308, in plotGraph
    edge_label=self.G.es["weight"],
KeyError: 'Attribute does not exist'

原因：时间戳不同步导致图构建失败。
解决方法 ：使用--approx-sync 0.04放宽时间对齐窗口。

6.总结

本文介绍了 Intel RealSense D435i 双目相机的标定流程，包括相机启动、数据录制和 Kalibr 工具的使用方法。重点涵盖了标定板配置、时间同步问题解决以及重投影误差优化等关键步骤，并提供了常见问题的调试技巧，如 时间戳不同步 和 角点检测失败 。通过合理的数据采集和参数设置，可以显著提高标定精度，为后续的 SLAM 任务打下坚实基础。