基于几何一致性的非共视区域LiDAR标定算法研究

《IEEE Access》：Research on LiDAR Calibration Algorithm for Non-Common-View Areas

为解决自动驾驶系统中双激光雷达因安装限制导致视场无重叠、传统标定方法失效的难题，研究人员开展了基于几何一致性先验的非共视区域LiDAR自标定算法研究。该研究通过差分约束时间同步模块对齐点云，采用去噪下采样提升效率，并创新性地利用主LiDAR构建全局地图，通过广义迭代最近点(GICP)优化实现从LiDAR数据的迭代配准。实验表明，该算法在无共视区域场景下最大平移误差仅0.064m，旋转误差为1.243°，为复杂环境下多LiDAR融合提供了实用、低成本的解决方案。

　　

在自动驾驶技术飞速发展的今天，高精度感知与定位已成为智能车辆实现安全导航的核心基石。作为环境感知的关键传感器，激光雷达(Light Detection and Ranging, LiDAR)能够提供高分辨率的三维点云数据，广泛应用于地图构建、物体检测和同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)等任务。然而，单一LiDAR传感器受限于其固定安装位置和有限的视场角(Field of View, FOV)，往往难以实现车辆周围360°无死角的全面覆盖，尤其在复杂的城市道路或高速场景中，这一局限性更为凸显。为了突破这一瓶颈，在车辆上部署多个LiDAR进行协同工作已成为主流解决方案。但随之而来的一个关键挑战是，不同LiDAR传感器之间存在固有的坐标系差异，必须通过精确的外部参数标定来实现多源点云数据的空间一致性。

传统标定方法通常依赖于传感器之间存在重叠的视场区域，利用重叠区域内的环境特征进行匹配，例如采用经典的迭代最近点(Iterative Closest Point, ICP)算法、正态分布变换(Normal Distribution Transform, NDT)算法或其加速变体。然而，在实际应用中，由于安装约束、物体遮挡或成本考量，双LiDAR的安装位置常常导致其视场完全没有重叠或重叠率极低，这使得传统基于重叠视场的标定方法完全失效。尽管学术界已提出一些解决方案，例如引入第三方传感器（如额外的参考LiDAR）来间接建立标定关系，但这种方法增加了系统的复杂性和硬件成本。此外，现有方法对初始位姿估计较为敏感，在动态环境中的鲁棒性不足，且实验验证往往局限于特定的LiDAR型号和车辆平台，泛化能力有限。

针对上述挑战，发表在《IEEE Access》上的这项研究提出了一种新颖的基于几何一致性假设的双LiDAR自标定算法(Geometric-Consistency-based Self-Calibration Algorithm, GCSAC)，专门用于解决无重叠视场条件下的标定难题。该方法的创新之处在于完全摒弃了对重叠视场或额外硬件的依赖，仅利用双LiDAR在运动过程中扫描的环境点云数据即可完成高精度标定。

为开展此项研究，作者团队设计并整合了几个关键技术模块。首先是点云数据预处理模块，该模块采用基于统计的半径滤波算法去除异常噪声点，并通过体素滤波(Voxel Filtering)进行下采样，在保留点云几何特征的同时显著降低数据量，提升计算效率。

其次是基于差分约束的点云时间同步算法，该算法通过比较主、从LiDAR点云帧的时间戳，进行软同步处理，确保不同步采集的数据在时间上对齐，为后续空间配准奠定基础。

核心标定算法则基于几何一致性先验：假设环境中的静态几何结构（如墙壁、柱体）在不同时间、由不同LiDAR扫描时，其空间分布和结构特征保持一致。研究采用广义迭代最近点(Generalized Iterative Closest Point, GICP)算法作为配准核心，GICP是传统ICP的概率扩展，它不仅考虑点的位置，还引入了点周围局部结构的协方差矩阵，通过构建高斯概率模型来优化变换矩阵，使得配准过程更快、更鲁棒。

点云数据处理模块的设计

该模块主要负责对原始LiDAR点云进行预处理。针对采集过程中因测量误差和环境影响产生的异常点（离群点），采用基于统计的半径滤波法进行剔除。该方法以每个点为中心设定搜索半径，统计其球形邻域内的点数，若低于阈值则判定为异常点并滤除。同时，为提升计算效率，采用体素滤波法对点云进行下采样，将三维空间划分为等体积的体素网格，并计算每个非空体素的质心作为代表点，从而在保留几何结构的前提下大幅减少数据量。实验结果表明，该处理流程能有效降低数据体积，为后续算法提供高质量输入。

差分约束算法策略的研究

针对双LiDAR数据采集可能不同步的问题，研究提出了基于差分约束的软时间同步方法。该方法判断主、从LiDAR点云帧起始时间戳之差是否小于扫描周期的0.2倍，对满足条件的帧，以其时间戳的中间值作为共同时间戳进行更新；对不满足条件的帧，则以主LiDAR的时间戳为基准对从LiDAR数据进行时间校准。此策略有效保障了点云数据的时序一致性，避免了因时间不同步导致的配准误差。

基于几何一致性的算法策略

这是本研究的核心创新点。算法流程如下：首先，指定主LiDAR，利用其点云数据构建全局点云地图，并记录建图过程中每一帧的位姿。其次，设定从LiDAR点云的初始变换矩阵，将其变换至主LiDAR坐标系下，再进一步变换至地图坐标系。接着，在地图数据中为当前从LiDAR点云寻找最近邻点集，并将该点集反变换回主LiDAR坐标系，从而“构造”出与主LiDAR点云具有部分重叠区域的虚拟点云。然后，使用GICP算法对主LiDAR点云和此虚拟点云进行迭代配准，优化变换矩阵。最后，根据多次匹配结果，通过一致性算法拟合出最终的双LiDAR外部参数标定矩阵。

该策略巧妙利用了环境几何结构的稳定性，绕过了对物理重叠视场的需求。

实验与评估

研究团队在全方位转向自动导引车(Automated Guided Vehicle, AGV)平台上进行了实验验证。该平台前后分别安装了一台16线机械式LiDAR，构成了无重叠视场的标定场景。

实验分别在室内结构化场景和室外医院周边场景进行，以评估算法在不同环境下的性能。

通过手动测量获取标定真值后，引导实验车辆在可行驶区域边缘移动，以采集丰富的环境几何特征。标定过程中，主LiDAR构建的全局地图（红色点云）与从LiDAR的实时局部地图（绿色点云）通过GICP算法进行匹配。

结果

实验结果清晰地展示了所提算法的优越性。在AGV小车的室内实验场景中，传统算法因无法有效执行点云配准，其最大平移误差高达6.378米，旋转误差达143.589度，结果极不稳定。而本研究提出的GCSAC算法，最大平移误差仅为0.064米，最大旋转误差为1.243度，与真实测量值非常接近，显著优于传统方法。

此外，研究还验证了算法对不同LiDAR线数（16线、32线、64线）和不同扫描频率（5Hz, 10Hz, 20Hz）的适应性，结果表明算法在不同传感器配置下均能保持稳定的校准精度（平移误差<0.066m，旋转误差<1.267°），证明了其良好的泛化能力。校准后的融合点云能够清晰、一致地还原真实环境的几何特征，点云质量显著提升。

讨论与结论

本研究提出的基于几何一致性的双LiDAR自标定算法，通过引入时间同步和几何一致性假设，有效解决了无重叠视场下的标定难题。其创新性在于突破了传统重叠视场的限制，利用环境固有的稳定几何结构作为约束，通过GICP概率配准框架和迭代优化机制，实现了高精度、高效率的外部参数估计。该算法不依赖第三方传感器，降低了系统成本和复杂度，为自动驾驶、机器人导航等领域的多传感器融合提供了实用且低成本的解决方案。

尽管该算法在具有丰富刚性几何特征的环境中表现优异，但作者也指出，在缺乏此类特征（如弱纹理、高动态环境）的场景中，其鲁棒性可能受到影响。未来的研究方向包括融合语义、纹理信息以增强在复杂环境中的适应性，以及建立跨平台的基准数据集来系统评估算法的普适性。

总之，这项研究为解决非共视区域LiDAR标定这一关键问题提供了有效的技术途径，显著提升了多LiDAR系统在复杂环境下进行高精度地图构建和定位的能力，对推动自动驾驶技术的实际应用具有重要的意义。