相机-雷达标定:ChArUco / ArUco + 四圆孔刚性板

与"ArUco / ChArUco + 四圆孔刚性板"最匹配的开源项目是：

hku-mars/FAST-Calib ：当前最推荐，目标板为四个 ArUco + 四圆孔，支持 Livox Mid-360 / Avia / Ouster 等机械式和固态 LiDAR。
MaroSalah02/FAST-Calib-ROS2：FAST-Calib 的 ROS2 移植版本，适合你的 ROS2 / Jetson 机器人项目直接验证。
beltransen/velo2cam_calibration：该类目标板方案的经典开源实现，也是 FAST-Calib 所参考的目标板基础方案。
OpenCalib/JointCalib ：采用棋盘格 + 四圆孔，不是 ArUco/ChArUco，但支持相机内参与 LiDAR--Camera 外参联合优化。
Clothooo/lvt2calib：采用四圆孔板，面向多类 LiDAR、RGB 相机和热成像相机，不依赖 ArUco/ChArUco。

目前可直接落地的开源实现仍以 ArUco + 四圆孔 的 FAST-Calib / velo2cam 为主。( $arXiv$ $1$ )

1. 项目对比表

项目	标定板设计	传感器支持	ROS 支持	是否严格对应方案 C	推荐用途
FAST-Calib	四 ArUco + 四圆孔刚性板	机械式 / 固态 3D LiDAR + Camera	ROS1	是	首选工程方案
FAST-Calib-ROS2	四 ArUco + 四圆孔刚性板	Mid-360 / Avia / Ouster 等	ROS2	是	ROS2 快速接入
velo2cam_calibration	四 ArUco + 四圆孔板	LiDAR / Mono / Stereo Camera	ROS1	是	经典算法参考
JointCalib	棋盘格 + 四圆孔板	LiDAR + Camera	非 ROS 主流程	部分对应	联合内外参优化
SensorsCalibration	提供 round-hole board 及多传感器工具箱	Camera / LiDAR / Radar / IMU	工具箱 / Docker	部分对应	自动驾驶标定工具集
LVT2Calib	四圆孔板	多类 LiDAR / RGB / Thermal	ROS Noetic	不含 ArUco	多模态传感器扩展
SquareCalib	四圆孔平面板	Camera + LiDAR	ROS Noetic / Python	不含 ArUco	稀疏点云圆孔提取研究

2. 首选项目：FAST-Calib

2.1 项目定位

FAST-Calib 是香港大学 MARS Lab 开源的 LiDAR--Camera 外参标定工具。其标定板与方案 C 基本一致：

text 复制代码

┌────────────────────────────────────┐
│  ArUco          ○          ○ ArUco │
│                                    │
│                                    │
│  ArUco          ○          ○ ArUco │
└────────────────────────────────────┘

其中：

相机侧检测四个 ArUco Marker；
LiDAR 侧检测四个圆孔中心；
标定板几何布局已知；
最终通过圆孔中心的 3D--3D 对应关系求解 LiDAR 到 Camera 的刚体变换。

FAST-Calib 论文明确说明：相机处理阶段使用位于标定板已知位置的四个 ArUco marker 推算圆孔中心在相机坐标系中的位置；LiDAR 处理阶段执行平面分割、圆孔边缘提取和椭圆拟合；最后通过 SVD / Kabsch 方法完成外参求解，并支持多场景联合标定。( $arXiv$ $2$ )

2.2 支持能力

能力	支持情况
单目相机 + 3D LiDAR	支持
固态 LiDAR	支持
机械旋转式 LiDAR	支持
无外参初始值	支持
多姿态联合标定	支持
示例数据	Mid-360、Avia、Ouster
相机内参自动标定	不负责，需要预先提供
许可证	GPL-2.0

官方仓库要求 PCL >= 1.8、OpenCV >= 4.0，提供单场景和多场景标定流程，并提供目标板 CAD 模型入口及 Mid-360、Avia、Ouster 示例数据。( $GitHub$ $3$ )

2.3 算法流程

#mermaid-svg-3ydI3qtgqx3AR4z4{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-3ydI3qtgqx3AR4z4 .error-icon{fill:#552222;}#mermaid-svg-3ydI3qtgqx3AR4z4 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-3ydI3qtgqx3AR4z4 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .marker.cross{stroke:#333333;}#mermaid-svg-3ydI3qtgqx3AR4z4 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-3ydI3qtgqx3AR4z4 p{margin:0;}#mermaid-svg-3ydI3qtgqx3AR4z4 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .cluster-label text{fill:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .cluster-label span{color:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .cluster-label span p{background-color:transparent;}#mermaid-svg-3ydI3qtgqx3AR4z4 .label text,#mermaid-svg-3ydI3qtgqx3AR4z4 span{fill:#333;color:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .node rect,#mermaid-svg-3ydI3qtgqx3AR4z4 .node circle,#mermaid-svg-3ydI3qtgqx3AR4z4 .node ellipse,#mermaid-svg-3ydI3qtgqx3AR4z4 .node polygon,#mermaid-svg-3ydI3qtgqx3AR4z4 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .rough-node .label text,#mermaid-svg-3ydI3qtgqx3AR4z4 .node .label text,#mermaid-svg-3ydI3qtgqx3AR4z4 .image-shape .label,#mermaid-svg-3ydI3qtgqx3AR4z4 .icon-shape .label{text-anchor:middle;}#mermaid-svg-3ydI3qtgqx3AR4z4 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .rough-node .label,#mermaid-svg-3ydI3qtgqx3AR4z4 .node .label,#mermaid-svg-3ydI3qtgqx3AR4z4 .image-shape .label,#mermaid-svg-3ydI3qtgqx3AR4z4 .icon-shape .label{text-align:center;}#mermaid-svg-3ydI3qtgqx3AR4z4 .node.clickable{cursor:pointer;}#mermaid-svg-3ydI3qtgqx3AR4z4 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .arrowheadPath{fill:#333333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-3ydI3qtgqx3AR4z4 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-3ydI3qtgqx3AR4z4 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-3ydI3qtgqx3AR4z4 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-3ydI3qtgqx3AR4z4 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .cluster text{fill:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 .cluster span{color:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-3ydI3qtgqx3AR4z4 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-3ydI3qtgqx3AR4z4 rect.text{fill:none;stroke-width:0;}#mermaid-svg-3ydI3qtgqx3AR4z4 .icon-shape,#mermaid-svg-3ydI3qtgqx3AR4z4 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-3ydI3qtgqx3AR4z4 .icon-shape p,#mermaid-svg-3ydI3qtgqx3AR4z4 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-3ydI3qtgqx3AR4z4 .icon-shape .label rect,#mermaid-svg-3ydI3qtgqx3AR4z4 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-3ydI3qtgqx3AR4z4 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-3ydI3qtgqx3AR4z4 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-3ydI3qtgqx3AR4z4 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 同步采集图像与点云
相机侧检测四个 ArUco
LiDAR 点云 ROI 过滤
估计标定板 Pose
计算 Camera 坐标系下四圆孔中心
RANSAC 提取平面板
圆孔边缘提取
椭圆拟合获取 LiDAR 圆孔中心
四组 3D-3D 对应点
Kabsch / SVD 求解外参
点云投影验证

2.4 适合机器人项目的原因

FAST-Calib 的优势是：

项目需求	FAST-Calib 对应能力
Livox Mid-360 等固态 LiDAR	已有验证
RGB + LiDAR 融合	原生目标
点云投影到图像验证	支持
地铁站坡道 / 障碍物语义融合	可作为外参基础
ROS2 接入	有社区 ROS2 移植版本
不希望依赖人工点选	自动提取目标板特征

3. ROS2 直接落地：FAST-Calib-ROS2

3.1 项目定位

FAST-Calib-ROS2 是 FAST-Calib 的 ROS2 移植仓库，保留了原方案的四圆孔目标板和点云---图像标定流程。

其 README 给出的运行入口为：

bash 复制代码

ros2 launch fast_calib calib_launch.py

并说明支持：

Livox Mid-360；
Livox Avia；
Ouster；
PointCloud2 格式点云；
ros2 bag 数据采集。

对于 Livox ROS Driver 2，仓库特别指出需要确保输出为 PointCloud2 格式。( $GitHub$ $4$ )

3.2 与官方版区别

项目	FAST-Calib 官方版	FAST-Calib-ROS2
ROS 版本	ROS1	ROS2
官方维护	是	社区移植
目标板	四 ArUco + 四圆孔	四 ArUco + 四圆孔
OpenCV / PCL	OpenCV ≥ 4.0，PCL ≥ 1.8	OpenCV ≥ 4.0，PCL ≥ 1.8
多场景联合流程	README 明确提供	README 主要描述基础流程
适合 ROS2 bringup	需要移植	可直接开始验证

3.3 推荐用法

建议：

text 复制代码

阶段 1：使用 FAST-Calib-ROS2 在 ROS2 下完成数据录制与基础标定
阶段 2：使用官方 FAST-Calib 的多场景联合标定逻辑核验精度
阶段 3：将最终外参发布为 ROS2 static_transform_publisher / YAML

4. 经典基础项目：velo2cam_calibration

4.1 项目定位

velo2cam_calibration 是较早且具有代表性的自动 LiDAR--Camera 标定项目。其论文与代码采用：

text 复制代码

四个圆孔：用于 LiDAR / Stereo 点云侧提取几何特征
四个 ArUco：用于单目相机侧估计目标板与圆孔中心位置

论文说明，四个圆孔用于利用 LiDAR 和双目点云中的几何不连续性；四个 ArUco 位于目标板角部，用于单目图像中恢复三维信息。( $ResearchGate$ $5$ )

FAST-Calib 官方 README 明确表示，其目标板设计基于 velo2cam_calibration。( $GitHub$ $3$ )

4.2 项目特点

项目	说明
实现语言	C++ 为主
框架	ROS1 catkin package
目标板	四圆孔 + 四 ArUco
支持类型	LiDAR 与 Camera 的组合标定
许可证	GPL-2.0
工程价值	适合理解目标板检测、特征提取与早期算法设计

官方仓库提供 ROS 包、目标板尺寸示意图和 Gazebo 验证方案。( $GitHub$ $6$ )

4.3 与 FAST-Calib 的差异

对比项	velo2cam_calibration	FAST-Calib
定位	经典基础实现	更新的实用工程实现
固态 LiDAR 适配	较弱	重点支持
圆孔中心提取	基础深度突变方法	边缘提取 + 椭圆拟合补偿
Mid-360 / Avia	不作为主要验证目标	已验证
多场景联合优化	能扩展	官方流程支持
推荐优先级	算法参考	实际落地首选

对于你可能采用的 Livox Mid-360 / Jetson / ROS2 路线，不建议从 velo2cam 开始工程部署，更适合作为 FAST-Calib 的算法对照与源码参考。

5. 联合优化方案：OpenCalib / JointCalib

5.1 标定板类型

JointCalib 对应的是：

text 复制代码

棋盘格 + 四圆孔刚性板

而不是：

text 复制代码

ArUco / ChArUco + 四圆孔板

其论文提出在棋盘格周围增加四个圆孔，通过棋盘格角点与圆孔特征的重投影约束，联合求解：

相机内参；
镜头畸变参数；
LiDAR--Camera 外参。

论文和仓库均公开了该方案；仓库输入包括相机标定板图像目录，以及与图像对应的圆孔中心 CSV 文件。( $arXiv$ $7$ ) ( $GitHub$ $8$ )

5.2 适合场景

需求	是否适合
已知相机内参，只求外参	可以，但不是最简路线
相机内参质量不可靠	适合
希望联合优化内参与外参	适合
直接使用 ArUco / ChArUco	需要自行修改
ROS2 在线集成	需要二次开发

5.3 改造成 ChArUco + 四圆孔的思路

JointCalib 的核心不是必须依赖普通棋盘格，而是需要：

text 复制代码

图像侧：稳定且已知板坐标的二维角点
LiDAR 侧：四圆孔中心三维坐标
优化侧：角点与圆孔的联合重投影误差

因此可将图像特征模块替换为：

cpp 复制代码

cv::aruco::CharucoDetector

并保持：

text 复制代码

圆孔点云检测模块
+
内参 / 外参联合非线性优化模块

这样可以构建：

text 复制代码

ChArUco + 四圆孔 + 联合内外参优化

此方案比直接采用 FAST-Calib 更适合"相机内参尚未稳定"或"多相机系统需要统一标定基准"的场景。

6. 多传感器工具箱：PJLab SensorsCalibration

6.1 项目定位

PJLab-ADG/SensorsCalibration 是 OpenCalib 多传感器标定工具箱，覆盖：

Camera intrinsic；
LiDAR--Camera；
LiDAR--LiDAR；
LiDAR--IMU；
Radar--Camera；
Radar--LiDAR；
Sensor--Vehicle。

其工厂标定部分明确提供了：

text 复制代码

round hole board：Camera and LiDAR
aruco marker board：Camera
apriltag board：Camera

并在仓库中提供 round_hole_board.pdf。工具箱采用 Apache-2.0 许可证，同时提供 Docker 快速运行方式。( $GitHub$ $9$ )

6.2 与方案 C 的关系

它不是一个开箱即用的"ChArUco + 四圆孔"标定器，但可以组合使用：

text 复制代码

SensorsCalibration 圆孔板及工具链
+
OpenCV ChArUco 图像检测
+
JointCalib / 自定义优化器

6.3 使用方式

不仅要做 LiDAR--Camera，还包括：

text 复制代码

IMU + LiDAR + Camera + Robot Base / Navigation Frame

则 SensorsCalibration 更适合作为多传感器标定工具总库，FAST-Calib 则作为其中的 LiDAR--Camera 精标模块。

7. 多类型 LiDAR / RGB / 热成像扩展：LVT2Calib

7.1 项目特点

LVT2Calib 使用统一的四圆孔标定板，对不同传感器提取共同的四个圆心特征，支持：

Livox Horizon / Mid-40 / Mid-70 / Avia；
Robosense M1；
Velodyne VLP-16 / 32 / 64 / 128；
Ouster OS1-32 / 64 / 128；
RGB Camera；
Thermal Camera。

其开源仓库基于 ROS Noetic、PCL 1.10、Ceres Solver 1.14 和 OpenCV 4.2，并提供 Docker 运行方式。( $GitHub$ $10$ )

7.2 与方案 C 的差异

项目	LVT2Calib
四圆孔	支持
ArUco	不作为核心特征
ChArUco	不使用
RGB Camera	支持
Thermal Camera	支持
多 LiDAR	支持
面向固态 LiDAR	支持

若未来机器人平台需要同时接入：

text 复制代码

RGB + 热成像 + Livox / Ouster

LVT2Calib 更有扩展价值；但仅做 RGB + LiDAR 外参时，FAST-Calib 更直接。

8. ChArUco + 四圆孔：当前开源情况

检索到的最直接 ChArUco + 圆孔 方案来自 2025 年论文：

A Target-based Multi-LiDAR Multi-Camera Extrinsic Calibration System

该方法采用：

带 ArUco 编码的 ChArUco 棋盘；
位于标定板角部的圆孔；
相机侧使用 OpenCV ChArUco 检测与 PnP；
LiDAR 侧利用圆孔深度不连续特征；
面向多 LiDAR、多相机传感器套件执行全局优化。

论文明确描述了 ChArUco 与圆孔结合的标定板及相机 / LiDAR 特征提取流程。( $arXiv$ $11$ )

但是，目前未检索到该论文配套的公开 GitHub 代码仓库。因此，若需要立即工程实现，建议基于 FAST-Calib 修改其相机侧模块，而不是等待现成 ChArUco 实现。

9.2 选型结论

目标	推荐项目
立即跑通 ROS2 LiDAR--Camera 标定	FAST-Calib-ROS2
追求官方实现与论文复现	FAST-Calib
理解四 ArUco + 四圆孔经典算法	velo2cam_calibration
希望同时优化相机内参与外参	JointCalib
建设完整多传感器标定工具链	SensorsCalibration
RGB + Thermal + 多 LiDAR 统一标定	LVT2Calib
严格使用 ChArUco + 四圆孔	基于 FAST-Calib 二次开发

参考链接:

$1$ : https://arxiv.org/abs/2507.16621?utm_source=chatgpt.com "A Target-based Multi-LiDAR Multi-Camera Extrinsic Calibration System"

$2$ : https://arxiv.org/html/2507.17210v1 "FAST-Calib: LiDAR-Camera Extrinsic Calibration in One Second"

$3$ : https://github.com/hku-mars/FAST-Calib "GitHub - hku-mars/FAST-Calib: A Handy Extrinsic Calibration Tool for LiDAR-camera Systems. · GitHub"

$4$ : https://github.com/MaroSalah02/FAST-Calib-ROS2 "GitHub - MaroSalah02/FAST-Calib-ROS2: A Handy Extrinsic Calibration Tool for LiDAR-camera Systems. · GitHub"

$5$ : https://www.researchgate.net/publication/359181926_Automatic_Extrinsic_Calibration_Method_for_LiDAR_and_Camera_Sensor_Setups?utm_source=chatgpt.com "Automatic Extrinsic Calibration Method for LiDAR and ..."

$6$ : https://github.com/beltransen/velo2cam_calibration "GitHub - beltransen/velo2cam_calibration: Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups. ROS Package. · GitHub"

$7$ : https://arxiv.org/abs/2202.13708?utm_source=chatgpt.com "Joint Camera Intrinsic and LiDAR-Camera Extrinsic Calibration"

$8$ : https://github.com/OpenCalib/JointCalib "GitHub - OpenCalib/JointCalib · GitHub"

$9$ : https://github.com/PJLab-ADG/SensorsCalibration "GitHub - PJLab-ADG/SensorsCalibration: OpenCalib: A Multi-sensor Calibration Toolbox for Autonomous Driving · GitHub"

$10$ : https://github.com/Clothooo/lvt2calib "GitHub - Clothooo/lvt2calib: A unified calibration for 3D LiDARs, visual cameras and thermal cameras · GitHub"

$11$ : https://arxiv.org/html/2507.16621v1 "A Target-based Multi-LiDAR Multi-Camera Extrinsic Calibration System"