无人驾驶中感知模块负责获取和理解其周围的场景信息，其性能和可靠性是整个无人驾驶系统的关键环节之一，直接影响下游的定位、路线规划和决策等控制链。通过融合多种感知传感器的数据，提高系统在复杂场景下的感知能力是无人驾驶发展的主要方向。然而无论是摄像头、毫米波雷达还是激光雷达，都有自己的坐标系，即传感器产生的数据都是基于自身坐标系的。将各传感器转换到统一坐标系的过程便是传感器的外参标定。

而激光雷达点云数据包含以自身为参考原点的物体3D坐标信息。当多个雷达拼接以获得更大范围3D覆盖时，通过外参将各个激光雷达统一到全局坐标系，便能把各个雷达的点云很好地拼接起来。

 

01 手动外参标定

通过Livox View自带的标定工具可实现多个激光雷达之前的外参标定，关键技巧是要找到一处视野开阔的环境，并且在不同雷达FOV交集处有较规整醒目的建筑或物体 (下文用A表示此物体)。

 

 

首先用Livox Viewer采集一帧较长积分时间的A点云数据，然后观察各个激光雷达在其FOV里所形成的A点云，微调Livox Views标定工具里的滚轮控件（调节6个变量[x,y,z,roll,pitch,yaw]），使得各FOV里A点云能完美重叠在一起为佳，此时得到的参数即为所需外参。按此方法标定的精度误差可小于0.1度。

不难看出，此方法依赖于多雷达的共视区域，精度和效率与使用者的熟练度正相关，存在一定的局限性。

 

02 自动外参标定

在实际使用中，有时不方便找到用于标定的开源环境或参考物体，为此Livox推出了自动标定技术TFAC-Livox算法(Target-Free Automatic Calibration)并在Github上开源。该技术主要依靠几何一致性假设，即多个雷达扫描出来的局部三维模型是一致的，通过对基准雷达(LiDAR0)进行移动建图，然后将其余雷达数据对LiDAR0的重建地图不断进行迭代配准与计算，依靠一致性假设不断减少匹配误差，直到算法收敛并且满足标定矩阵刚性不变特性（六条平行线），最后用一致性算法得出最终标定矩阵（外参）。

Github开源地址: https://github.com/Livox-SDK/Livox_automatic_calibration

 

红色点云为参照物(激光雷达)建图的结果；绿色点云为目标激光雷达在进行自动校准。

 

以两个Horizon为例，假设LiDAR0为基准雷达，LiDAR1为待标定雷达。基于数据和轨迹是同步的假设，用LiDAR0进行移动SLAM建图，获得子地图M。而后将LiDAR1的点云基于同步的时间戳与运动轨迹、与粗图估计初值旋转平移变换到对应子地图M附近，通过几何结构一致性约束和近邻匹配算法不断迭代，减少匹配误差，直到算法收敛并满足标定矩阵刚性不变特性（六条平行线），最后用一致性算法计算出最终标定矩阵。

双雷达坐标系以及坐标变换{R,T}

 

在移动采集数据期间，需保证基准激光雷达扫描的区域（地图M）能被其余激光雷达所探测，尽量选用室内地下车库等特征丰富的环境，采集数据时避免四周有移动物体，运动时尽量缓慢，特别是转弯处，以最小化运动畸变。激光雷达的安装不局限于重叠FOV，可任意安装，只要能保证获取外参初值即可。

采集环境和路线示意图

 

03结语

相信通过以上手动/自动的方法，用户可很快完成Livox多激光雷达的标定。Livox亦将陆续开放更多传感器标定的方法，完善整个生态体系，让高性能低成本的Livox激光雷达更好用。