共视场车载激光雷达下线标定设计与实现

doi:10.19562/j.chinasae.qcgc.2025.10.008

摘要/Abstract

摘要：

智能驾驶汽车量产过程中激光雷达的装配存在不可避免的误差，为了确保激光雷达能够提供准确可靠的感知信息，本文提出了一种针对智能驾驶汽车激光雷达下线标定方法及工位建设方案。构建标定工位，包含车辆停放区与具备空间特性标靶的标靶放置区；结合工位提取基准激光雷达地平面点云，与设计参考平面点云建立平面约束，同时利用基准激光雷达与标靶间的空间位置构建约束关系，完成基准激光雷达的标定；通过标靶检测建立基准激光雷达与左、右侧激光雷达间刚体变换标定模型，完成左、右侧激光雷达标定。建立联合仿真标定环境，设计开展仿真实验，验证了算法的有效性。通过实车实验对比分析，在稳定性与准确性方面，三轴旋转量、平移量的标定结果与手动标定相近。相比文献方案旋转量相对误差率明显降低，横滚量、俯仰量、偏航量较其分别降低约11.7%、3%、0.03%；标准差分别降低0.48、0.68、0.11。在标定效率方面，较手动标定提升约16倍，相比于文献方案提升约8倍。结果表明本文方案在精确性、稳定性和效率方面均展现出明显优势，为激光雷达下线标定提供了有力支撑与坚实保障。

关键词: 激光雷达, 下线标定, 共视场, 智能驾驶

Abstract:

During the mass production of intelligent driving vehicles， there are inevitable errors in the assembly of lidar. In order to ensure that the lidar can provide accurate and reliable perception information， in this paper a calibration method and workstation construction scheme for the off-line calibration of lidar in intelligent driving vehicles is proposed. A calibration workstation is constructed， which includes a vehicle parking area and a target placement area with a target having spatial characteristics. The ground plane point cloud of the reference lidar is extracted in combination with the workstation， and a planar constraint is established with the point cloud of the design reference plane. At the same time， the constraint relationship is constructed by using the spatial position between the reference lidar and the target to complete the calibration of the reference lidar. A rigid body transformation calibration model between the reference lidar and the left and right lidars is established through target detection to complete the calibration of the left and right lidars. oint simulation calibration environment is established， and simulation experiments are designed and carried out to verify the effectiveness of the algorithm. Through the comparative analysis of real vehicle tests， in terms of stability and accuracy， the calibration results of the three-axis rotation and translation are similar to those of manual calibration. Compared with the scheme in the literature， the relative error rate of the rotation is significantly reduced， with the roll， pitch， and yaw reduced by approximately 11.7%， 3%， and 0.03% respectively， and the standard deviation reduced by 0.48， 0.68， and 0.11 respectively. In terms of calibration efficiency， it is approximately 16 times higher than manual calibration and approximately 8 times higher than the scheme in the literature. The results show that the scheme proposed in this paper has obvious advantages in terms of accuracy， stability， and efficiency， providing strong support and a solid guarantee for the off-line calibration of lidar.

Key words: LiDAR, offline calibration, common field of view, intelligent driving

付伟龙,王晶,雷正潮,赵峻,谢欢. 共视场车载激光雷达下线标定设计与实现[J]. 汽车工程, 2025, 47(10): 1923-1932.

Weilong Fu,Jing Wang,Zhengchao Lei,Jun Zhao,Huan Xie. Design and Implementation of Offline Calibration for Vehicle-Mounted LiDAR with Common Field of View[J]. Automotive Engineering, 2025, 47(10): 1923-1932.

图/表 15

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

表1

表2

参考文献 20

[1]	谷新建. 室外环境智能驾驶技术综述［J］. 计算机测量与控制， 2024， 32（10）： 1-8.
	GU Xinjian. A review of intelligent driving technology in outdoor environments ［J］. Computer Measurement & Control， 2024， 32（10）： 1-8.
[2]	龚子恺，席燕辉，沈大勇. 激光雷达外参数的自动标定［J］. 激光与光电子学进展， 2023， 60（22）： 2215006.
	GONG Zikai， XI Yanhui， SHEN Dayong. Automatic calibration of LiDAR external parameters［J］. Laser & Optoelectronics Progress， 2023， 60（22）： 2215006.
[3]	屈海龙，王世强，孟召宗，等. 多线激光雷达与外置转轴间关系标定方法研究［J/OL］. 激光与光电子学进展， 2025， 62（10）： 8.
	QU Hailong， WANG Shiqiang， MENG Zhaozong， et al. Research on the calibration method of the relationship between the multi-line LiDAR and the external rotation axis ［J/OL］. Laser & Optoelectronics Progress， 2025， 62（10）： 8.
[4]	刘铭哲，徐光辉，唐堂，等. 激光雷达SLAM算法综述［J］. 计算机工程与应用， 2024， 60（1）： 1-14.
	LIU Mingzhe， XU Guanghui， TANG Tang， et al. A review of LiDAR SLAM algorithms ［J］. Computer Engineering and Applications， 2024， 60（1）： 1-14.
[5]	JIAO J， YU Y， LIAO Q， et al. Automatic calibration of multiple 3D LiDARs in urban environments［J］. 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）， 2019： 15-20.
[6]	YOU J， OH S， PARK J， et al. Automatic LiDAR extrinsic calibration system using photodetector and planar board for large-scale applications［J］. ArXiv， 2020， abs/2008. 10542.
[7]	MAROLI J M， ÖZGÜNER Ü， REDMILL K， et al. Automated rotational calibration of multiple 3D LIDAR units for intelligent vehicles［C］. 2017 IEEE 20th International Conference on Intelligent Transportation Systems （ITSC）， 2017： 1-6.
[8]	顾恒之. 多激光雷达在线标定与同步定位建图研究［D］. 西安：长安大学， 2023.
	GU H Z. Research on online calibration of multiple LiDARs and simultaneous localization and mapping［D］. Xi'an： Chang'an University， 2023.
[9]	徐孝彬，曹晨飞，张磊，等.基于四面体特征的面阵激光雷达与相机标定方法［J］.光子学报，2024，53（7）：166-180.
	XU X B， CAO C F， ZHANG L， et al. Calibration method of area array LiDAR and camera based on tetrahedral features［J］. Acta Photonica Sinica， 2024， 53（7）： 166-180.
[10]	彭梦，邬书跃，陈龙，等. 一种鲁棒的2D激光雷达和摄像机最小解标定方法［J］. 电子测量与仪器学报， 2023， 37（8）： 146-154.
	PENG Meng， WU Shuyue， CHEN Long， et al. A robust 2D LiDAR and camera minimal solution calibration method［J］. Journal of Electronic Measurement and Instrument， 2023， 37（8）： 146-154.
[11]	余向东. 面向多线激光雷达的外部转轴标定方法［D］. 重庆：重庆理工大学， 2023.
	YU Xiangdong. Calibration method for external rotation axes of multi-line LiDAR ［D］. Chongqing： Chongqing University of Technology， 2023.
[12]	袁辉. 基于坐标变换的圆柱体点云数据拟合方法［J］. 计算机与数字工程， 2021， 49（9）： 1842-1846.
	YUAN Hui. A fitting method for cylindrical point cloud data based on coordinate transformation ［J］. Computer & Digital Engineering， 2021， 49（9）： 1842-1846.
[13]	胡宏宇，唐明弘，高菲，等. 基于点云反射特性的前方道路附着系数估计方法研究［J］. 汽车工程， 2024， 46（10）： 1842-1852.
	HU Hongyu， TANG Minghong， GAO Fei， et al. Research on the estimation method of the road adhesion coefficient ahead based on the reflection characteristics of point clouds ［J］. Automotive Engineering， 2024， 46（10）： 1842-1852.
[14]	巴斯. 3D计算机图形学（OpenGL版）［M］. 唐龙，等译. 北京：清华大学出版社，2006： 30-36.
	SAMUEL R Buss. 3D computer graphics （OpenGL version）［M］. Translated by Tang Long， et al. Beijing： Tsinghua University Preass， 2006： 30-36.
[15]	恩里克・费尔南德斯. ROS 机器人程序设计［M］. 2版. 北京：机械工业出版社， 2016.
	ENRIQUE Fernández. Learning ROS for robotics programming ［M］. 2nd ed. Beijing： China Machine Press， 2016.
[16]	曹杰，孙亚楠，梁龙，等. 激光雷达三维成像仿真技术研究与现状［J］. 激光与光电子学进展， 2025， 62（6）.
	CAO Jie， SUN Yanan， LIANG Long， et al. Research and current status of LiDAR three-dimensional imaging simulation technology ［J］. Laser & Optoelectronics Progress， 2025， 62（6）.
[17]	沈文亮. 机载激光雷达误差检校的探讨［J］. 科技与创新， 2014（8）.
	SHEN W L. Discussion on error calibration of airborne LiDAR［J］. Science and Technology & Innovation， 2014（8）.
[18]	张宇昂，李琦，薛芳芳，等. 基于Jetson TX2的路面裂缝检测系统设计［J］. 公路， 2023， 68（12）： 337-344.
	ZHANG Yu'ang， LI Qi， XUE Fangfang， et al. Design of a pavement crack detection system based on Jetson TX2 ［J］. Highway， 2023， 68（12）： 337-344.
[19]	孙国鹏，李建胜，郝向阳，等. 国产GNSS数据处理软件的比较和分析［J］. 全球定位系统， 2017， 42（1）： 103-107.
	SUN Guopeng， LI Jiansheng， HAO Xiangyang， et al. Comparison and analysis of domestic GNSS data processing software［J］. Global Positioning System， 2017， 42（1）： 103-107.
[20]	谢国涛，王帅杰，高铭，等. 基于运动约束的激光雷达与车体坐标系旋转参数标定［J］. 中国公路学报， 2024， 37（3）： 259-272.
	XIE Guotao， WANG Shuaijie， GAO Ming， et al. Calibration of rotation parameters for LiDAR and vehicle body coordinate systems based on motion constraints［J］. China Journal of Highway and Transport， 2024， 37（3）： 259-272.

方法	场景	是否有标定物	标定结果（x/mm，y/mm，z/mm，roll/（°），pitch/（°），yaw/（°））
			车辆1		车辆2		车辆3
			标定结果	标定时间/s	标定结果	标定时间/s	标定结果	标定时间/s
手动标定	特定场景	有	（20.18，-10.25，-1.56， -2.13，2.34，-9.18）	787	（25.33，-12.56，8.22， -1.23，2.55，-5.67）	823	（-20.12，18.77，-7.43， 0.88，-2.91，7.34）	793
文献［20］	公开道路	无	（-，-，-， -1.31，2.80，-7.89）	347	（-，-，-， -2.48，2.12，-6.03）	396	（-，-，-， 1.39，-3.24，6.63）	458
本文方案	特定场景	有	（21.28，-11.14，-1.78， -2.70，1.95，-9.02）	47	（24.33，-11.56，8.36， -1.97，2.36，-5.41）	52	（-19.62，19.23，-6.63， 1.17，-3.11，7.84）	49

方法	场景	是否有标定物	标定结果（x/mm，y/mm，z/mm，roll/（°），pitch/（°），yaw/（°））
			第1次		第2次		第3次
			标定结果	标定时间/s	标定结果	标定时间/s	标定结果	标定时间/s
手动标定	特定场景	有	（20.18，-10.25，-1.56， -2.13，2.34，-9.18）	787	（20.23，-10.09，-1.45， -2.07，2.44，-9.30）	477	（20.20，-10.16，-1.60， -2.17，2.29，-9.25）	342
文献［20］	公开道路	无	（-，-，-， -2.31，1.10，-7.89）	339	（-，-，-， -2.47，2.21，-9.13）	416	（-，-，-， -1.39，2.55，-7.78）	428
本文方案	特定场景	有	（21.47，-9.53，-1.68， -2.10，2.45，-8.02）	46	（21.15，-9.23，-1.54， -2.21，2.38，-9.23）	48	（21.12，-9.38，-1.47， -2.01，2.32，-8.98）	53