2024-07-23 V2X时代下标定新范式！清华V2I-Calib：车辆和道路LiDAR系统的标定方法（IROS’24）

车端和路端协同的基石

车-路协同系统可以通过补充车辆端和路端信息，增强复杂交通场景或恶劣天气条件下感知系统的可靠性。跨异构车辆和基础设施端点的LiDAR系统的校准是确保感知系统数据准确性和一致性的关键步骤，涉及：

• 高精度的同步和配准技术来整合来自车辆和基础设施的LiDAR数据
• 涉及时间同步、空间对齐和数据融合等复杂技术
• 在动态环境中实现实时处理能力

现有方法成功解决了车-路协同LiDAR系统中的时间同步问题，确保了数据传输的实时性和数据融合的准确性。尽管在空间对齐方面取得了进展，但仍然存在一些问题：

• 空间初始值获取
• 跨源点云配准的高计算负载
• 点云建图技术的前期成本较高

因此，在动态环境中实现车-路协同感知系统的空间对齐，同时保持低计算开销，仍是一个巨大的挑战。

V2I-Calib[1]是一种新颖的车-路协同LiDAR系统标定方法。该方法基于总体IoU指标为车辆和路侧节点建立关联矩阵，能够识别车辆和基础设施端点之间的共享匹配框。随后，计算并优化这些匹配框的外部参数。该方法具有以下几个优点：

1. 不需要初始的外参，并且满足实时操作的要求
2. 利用交通场景中固有的常见目标信息，增强了其通用性。
3. 仅使用目标检测的感知信息，降低了计算复杂度和数据传输成本，从而更具实际应用潜力。
4. 具有灵活性，其组件解耦良好，便于根据具体的实际需求进行适应。

创新点包括：

• 引入了总体IoU指标，用于监控外部参数的实时校准性能。核心在于提出了一种为车辆-道路节点构建关联矩阵的方法，编码了车辆和路侧目标之间的关联性。
• 提出了一种车-路协同LiDAR系统的校准方法，充分利用检测框之间的空间关联，其特点是不依赖初始的外部参数值，并具有实时能力。
• 通过在DAIR-V2X数据集上的对比和消融实验验证了其有效性，并根据校准任务的难度等级对DAIR-V2X数据集进行了分类。

具体方法

V2I-Calib整体工作流程如图2所示。

问题定义

然而，在车-路协同（V2I）场景中，来自车辆和基础设施的点云固有地存在显著的差异，传统方法可能不直接适用。对此，本文提出了一种基于检测框的方法。主要概念是利用车辆和基础设施之间共享的检测框的空间信息。

亲和度公式

通过设计精巧的亲和度函数，可以有效评估车辆端和基础设施端检测框之间的匹配程度，为后续的匹配模块提供准确的输入数据。在这一过程中，主要面临两个挑战：

1. 车辆和基础设施检测框处于不同的坐标系中，直接利用它们的几何关系较为复杂
2. 跨源点云感知固有的随机性使得在现实场景中区分共享和单端检测目标变得困难。

通过引入假设匹配对策略和oIoU度量巧妙地解决了这些问题。下面将描述核心亲和度和附加亲和度两部分的亲和度度量公式。

核心亲和度：核心亲和度的想法是探索车辆和基础设施检测框对的场景匹配得分。为此，本节引入了总体交并比（oIoU）作为衡量场景匹配程度的度量。其数学表达式如下：

oIoU度量超越了传统的IoU度量，传统的IoU度量主要集中于单个检测框对的对应关系。oIoU充分利用了3D检测框之间的位置关系，创新性地提供了检测场景中空间对齐质量的综合评估。

基于此基础，图3中所示的核心亲和度计算过程采用了假设匹配对的概念，以定义车辆和基础设施之间外部参数搜索的可行范围。随后应用oIoU度量评估这些假设车辆-基础设施匹配对的外部参数的空间对齐质量。

附加亲和度计算：除了核心亲和度，本节还探讨了附加亲和度度量，旨在增强匹配过程的精度和稳定性。一个附加度量是类别亲和度，它评估车辆和基础设施端假设匹配对中检测框的类别一致性。这一考虑在减少核心亲和度的计算负担方面至关重要，通过确保仅比较匹配类别的检测框来简化匹配过程并提高效率。

此外，VIPS中的大小亲和度、跟踪ID亲和度、角度亲和度和长度亲和度，以及DeepSORT中的外观亲和度，可以作为特定场景的补充，以增强车-路LiDAR系统在稀疏目标环境中的校准稳定性。

在一般场景中，核心亲和度和类别亲和度的组合被证明是有效的，如第四部分所示。

关联矩阵构建和匹配

在得到反映车辆-基础设施节点关联程度的关联矩阵后，可以采用匈牙利匹配方法在多项式时间内找到最佳匹配。将二次匹配问题转化为线性匹配问题可能会在一定程度上降低独立调整各种亲和度的能力，但这一简化与提出的方法的需求相契合，即融合核心亲和度和类别亲和度。重要的是，它显著降低了匹配过程的计算复杂度。

关联矩阵构建和匹配

抽象点云配准过程

外部参数优化流程

优化外参涉及以下步骤：

1. 初始估值：首先，通过朴素点云配准方法计算外部参数的初始值。这一过程基于将匹配的检测框转化为抽象点云，并最小化其之间的空间距离。
2. 优化过程：使用初始外部参数值，通过优化算法进一步提高参数的准确性和稳定性。优化算法利用匹配检测框的几何和空间信息，在较低计算代价的情况下，获得高精度的外部参数。

优化算法的具体实现通过不断迭代和细化外部参数，使其逐步接近真实值，从而提高校准的准确性。

通过上述方法，能够有效地解决车-路协同LiDAR系统中的异源点云配准挑战，确保在动态环境中的实时处理能力和高精度校准结果。

实验效果

总结一下

2I-Calib是一种用于合作的车辆和基础设施LiDAR系统的新颖校准方法。通过一系列实验，该方法在各种难度的数据集上表现出卓越的校准精度和稳健性，尤其在处理复杂场景时表现优异，同时保持了实时性能。实质上，合作的车辆-基础设施LiDAR系统的校准任务本质上是一个数据关联任务，与多目标跟踪任务有一定相似性。

未来的研究方向：

• 将整合多目标检测中的时间关联概念，结合空间对齐和时间同步任务。
• 集成2D边界框信息将使研究重点转向合作的车辆-基础设施系统中的多传感器融合标定。

参考

[1] V2I-Calib: A Novel Calibration Approach for Collaborative Vehicle and Infrastructure LiDAR Systems