{
  "paper_id": "7f5083117bb7b13f273188e7ff39d792",
  "paper_title": "FAST-Calib: LiDAR-Camera Extrinsic Calibration in One Second",
  "paper_authors": [
    "Chunran Zheng",
    "Fu Zhang"
  ],
  "publication_date": "2025",
  "publication_venue": "IEEE Robotics and Automation Practice",
  "abstract": "本文提出FAST-Calib,一种基于定制3D标靶的快速、易用的LiDAR-相机外参标定工具。FAST-Calib借助一种对LiDAR扫描模式不敏感的高效可靠边缘提取算法,同时支持机械式与固态LiDAR;通过椭圆拟合补偿LiDAR光斑扩散引起的边缘膨胀伪影,并支持多场景联合优化。我们在三款LiDAR型号(Ouster、Avia和Mid360)上验证FAST-Calib,每款均搭配广角相机。实验结果表明,相比现有方法具有更优的精度与鲁棒性。点对点配准误差始终低于6.5 mm,总处理时间低于0.7 s,FAST-Calib提供了一条高效、精确、基于标靶的自动标定流水线。我们已在GitHub开源代码与数据集,以惠及机器人社区。",
  "keywords": [
    "LiDAR-相机外参标定",
    "固态激光雷达",
    "椭圆拟合",
    "边缘提取",
    "多场景联合优化",
    "自动标定"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:42:21.752874Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\nLiDAR与相机间的外参标定旨在估计两传感器空间坐标系间的刚体变换,是自动驾驶中跟踪、建图与目标检测等多传感器融合的前提;产线标定房虽精度高、批次方差低,但将标定板迁移到实验室后,现有基于标靶的工具(如Velo2Cam、JointCalib)面临兼容性差(扫描模式不同导致无法同时支持机械式与固态LiDAR)、自动化程度低(任意摆放需人工深度滤波)、无多场景支持(空间受限仅能放单板)、效率低(无法秒级完成)与大光斑LiDAR边缘膨胀五大瓶颈,而场景法依赖环境且假设图像光度边缘对应点云几何边缘、运动法需硬件时间同步与充分激励轨迹,均难以稳定实用。为此,本文提出FAST-Calib:基于定制3D圆孔标靶板,先以直通滤波与RANSAC平面分割提取ROI,将平面点云对齐至z=0平面并以8 mm体素降采样,利用邻域(0.03 m半径)方向角最大间隙超过25°的判据提取与扫描模式无关的圆孔边缘点,再以带椭圆约束(B²−4AC<0)的直接最小二乘椭圆拟合补偿光斑扩散导致的边缘膨胀;相机端通过四个ArUco标记的PnP解算标定板位姿并推算孔心3D坐标;最终以Kabsch/SVD闭式求解最小化核心误差函数 E=(1/4N)·Σ‖p_i^C−T_CL·p_i^L‖² 的刚体变换,并自然扩展至N次采集的多场景联合优化。实验选用Ouster OS1-128、Livox Avia与Mid360三款LiDAR配广角相机(MV-CS050-10UC CMOS传感器+LM5JCM镜头),以覆盖机械式与固态两类扫描模式验证方法普适性,每配置采集四对累积点云与图像并做五组数据组合实验;结果显示六自由度外参方差低,点对点配准残差始终低于6.5 mm,固态LiDAR上显著优于Velo2Cam(Avia残差0.15–0.65 cm对比10.9–16.6 cm,Mid360上Velo2Cam因光束稀疏且不规则五次全部失败),Ouster上精度相当,总处理时间在Intel i7-10700K上低于0.7 s,分别支撑了扫描模式无关边缘提取、椭圆拟合补偿与高效流水线三项创新;未来可向更多传感器类型与更复杂场景扩展;实际部署需注意16线机械LiDAR点云稀疏时需借助FAST-LIVO2的LiDAR里程计模式聚合点云、实验室仅能放单板需多次采集联合优化、相机内参需预先标定等约束。代码与数据集已在GitHub开源。\n\n### 关键要点\n\n- FAST-Calib是基于定制3D圆孔标靶的快速LiDAR-相机外参标定工具,点对点配准误差始终低于6.5 mm,总处理时间低于0.7 s,实现秒级自动标定。\n- 边缘提取算法对LiDAR扫描模式不可知:将平面点云对齐至z=0平面后,计算每点0.03 m邻域内方向角的最大间隙,超过25°即判为边缘点,同时支持机械式与固态LiDAR。\n- 采用带椭圆约束(B²−4AC<0)的直接最小二乘椭圆拟合,补偿Livox等大光斑LiDAR光斑扩散引起的边缘膨胀,并以半长轴与已知孔半径差小于4 cm、低离心率两准则验证椭圆有效性。\n- 相机端通过四个ArUco标记求解PnP估计标定板位姿,取平均位姿确定板坐标系,结合已知孔心物理布局计算相机坐标系下的孔心3D位置。\n- 外参估计通过最小化点对点最小二乘误差并以Kabsch方法(SVD)闭式求解,公式自然扩展至N次采集的多场景联合优化(共4N对3D-3D对应)。\n- 实验在Ouster OS1-128、Livox Avia、Mid360三款LiDAR配广角相机(MV-CS050-10UC CMOS传感器+LM5JCM镜头)上进行,每配置采集四对累积点云与图像,进行五组数据组合实验(四组任选三对+一组全部四对联合优化)。\n- 一致性评估显示三种传感器配置下收敛的外参在全部六个自由度上方差低,验证了方法的鲁棒性与一致性。\n- 精度对比中,固态LiDAR上显著优于Velo2Cam:Avia残差0.15–0.65 cm对比10.9–16.6 cm;Mid360上Velo2Cam因激光束极稀疏且分布不规则在全部五次实验中完全失败;Ouster上两者精度相当。\n- 运行时间在Intel i7-10700K上评估,通过8 mm体素降采样避免稠密点云操作、2D平面边缘提取及多数据对并行处理,总时间低于0.7 s(如Avia为0.664 s)。\n- 16线机械LiDAR累积点云仍稀疏时,采用FAST-LIVO2的LiDAR里程计模式,通过轻微俯仰运动聚合更多点以构建稠密点云。\n- 实际约束:实验室空间受限通常仅能放置单块标靶板,需多次采集与联合优化以复现产线多板鲁棒性;相机内参需预先标定;报告时间不含内参标定与数据采集。\n- 代码与数据集已在GitHub开源,旨在弥合产线标定与实验室实际部署之间的差距,惠及机器人社区。"
}