Livox雷达与DJI H20T相机联合标定实战指南

引言

多传感器融合已成为自动驾驶和机器人感知领域的核心技术之一。在实际应用中，激光雷达与相机的联合标定是实现精确数据融合的关键第一步。本文将手把手带你完成Livox雷达与DJI H20T相机的标定全过程，从环境配置到最终验证，每个步骤都包含详细的操作说明和常见问题解决方案。

不同于理论讲解，本指南聚焦于实战操作，特别适合刚接触传感器标定的工程师和学生。你将学习到：

• 如何搭建稳定的标定环境（包括OpenCV和Ceres Solver的正确安装）
• 使用Livox官方工具进行标定的具体流程
• 利用Autoware进行联合标定的技巧
• 标定结果验证与常见问题排查

1. 环境准备与工具安装

1.1 硬件配置清单

在开始前，请确保你已准备好以下硬件：

• Livox激光雷达（Mid-40/Mid-100/Tevo等型号均可）
• DJI H20T相机（或其他支持ROS驱动的DJI相机）
• 标定板（建议使用8x6的棋盘格，方格尺寸25mm）
• 计算平台（推荐Ubuntu 18.04/20.04系统，至少16GB内存）

提示：标定板的质量直接影响标定精度，建议使用高精度打印的棋盘格或购买专业标定板。

1.2 软件依赖安装

首先安装基础依赖：

bash复制sudo apt-get update
sudo apt-get install -y build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

OpenCV安装（特定版本）

Livox标定工具对OpenCV版本有严格要求，推荐安装3.4.10：

bash复制wget -O opencv.zip https://github.com/opencv/opencv/archive/3.4.10.zip
unzip opencv.zip
cd opencv-3.4.10
mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j$(nproc)
sudo make install

Ceres Solver安装

标定过程需要Ceres Solver 1.14.0版本：

bash复制sudo apt-get install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev libeigen3-dev libsuitesparse-dev
wget http://ceres-solver.org/ceres-solver-1.14.0.tar.gz
tar xvf ceres-solver-1.14.0.tar.gz
cd ceres-solver-1.14.0
mkdir build && cd build
cmake ..
make -j$(nproc)
sudo make install

1.3 Livox SDK与ROS驱动安装

bash复制git clone https://github.com/Livox-SDK/Livox-SDK.git
cd Livox-SDK/build && cmake ..
make
sudo make install

git clone https://github.com/Livox-SDK/livox_ros_driver.git ws_livox/src
cd ws_livox
catkin_make
source devel/setup.bash

2. 使用Livox官方工具进行标定

2.1 标定程序下载与编译

bash复制git clone https://github.com/Livox-SDK/livox_camera_lidar_calibration.git
cd livox_camera_lidar_calibration
mkdir build && cd build
cmake ..
make

2.2 相机内参标定

1. 准备至少15张不同角度的棋盘格照片
2. 修改cameraCalib.cpp中的图片路径
3. 运行标定程序：

bash复制./cameraCalib

常见问题解决：

• 如果遇到OpenCV显示错误，注释掉imshow相关代码
• 确保棋盘格完全在画面中且无遮挡

2.3 雷达-相机外参标定

1. 同时采集雷达点云和相机图像
2. 配置config.json文件：

json复制{
    "camera_intrinsic": "camera_intrinsic.yaml",
    "image_path": "./image/",
    "pcd_path": "./pcd/",
    "use_rough_calib": false
}

3. 运行标定程序：

bash复制./calibration

标定结果将保存在extrinsic.yaml中。

3. 使用Autoware进行联合标定

3.1 Autoware安装与配置

推荐使用Autoware 1.14版本：

bash复制sudo apt-get install -y ros-melodic-autoware-core ros-melodic-autoware-msgs
git clone https://github.com/CPFL/Autoware.git --branch 1.14.0
cd Autoware/ros/src
catkin_init_workspace
cd ../..
rosdep install -y --from-paths src --ignore-src --rosdistro melodic
./catkin_make_release

3.2 标定工具包配置

启动Autoware标定工具：

bash复制roslaunch autoware_camera_lidar_calibrator camera_lidar_calibration.launch

关键参数设置：

3.3 标定数据采集技巧

1. 将标定板放置在雷达和相机共同视野范围内
2. 从不同角度采集至少10组数据
3. 确保标定板在点云中清晰可见

注意：避免在强光或反光环境下采集数据，这会影响标定精度。

4. 标定结果验证与应用

4.1 标定精度验证

使用rviz可视化标定结果：

bash复制roslaunch livox_ros_driver livox_lidar.launch
rosrun image_view image_view image:=/camera/image_raw
rviz

在rviz中添加：

• 相机图像（Image类型）
• 雷达点云（PointCloud2类型）

验证点云是否准确投影到图像上。

4.2 点云着色实战

将相机颜色信息映射到点云：

python复制import numpy as np
import cv2
import open3d as o3d

# 加载标定参数
R = np.loadtxt('rotation.txt')
T = np.loadtxt('translation.txt')

# 点云投影
points = np.loadtxt('pointcloud.xyz')
img = cv2.imread('image.png')
colors = []

for pt in points:
    # 坐标变换
    cam_pt = np.dot(R, pt) + T
    # 投影到图像平面
    u = int(fx * cam_pt[0]/cam_pt[2] + cx)
    v = int(fy * cam_pt[1]/cam_pt[2] + cy)
    
    if 0 <= u < img.shape[1] and 0 <= v < img.shape[0]:
        colors.append(img[v,u]/255.0)
    else:
        colors.append([0,0,0])

# 创建彩色点云
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)
pcd.colors = o3d.utility.Vector3dVector(colors)
o3d.visualization.draw_geometries([pcd])

4.3 常见问题排查

点云投影偏移

可能原因：

1. 标定板角点检测不准确
2. 时间同步问题
3. 标定板移动导致运动模糊

解决方案：

• 重新采集更清晰的数据
• 检查雷达和相机的时间同步
• 使用更稳定的标定板固定方式

Autoware编译错误

常见错误：

code复制ceres-solver not found

解决方案：

bash复制sudo apt-get install libceres-dev

或者手动指定Ceres路径：

bash复制cmake -D Ceres_DIR=/usr/local/lib/cmake/Ceres ..

5. 进阶技巧与优化建议

5.1 时间同步优化

使用PTP协议实现硬件时间同步：

bash复制sudo apt-get install linuxptp
sudo ptp4l -i eth0 -m -S
sudo phc2sys -s eth0 -c CLOCK_REALTIME -m -O 0

5.2 标定精度提升方法

1. 增加数据采集量（建议20组以上）
2. 使用更大尺寸的标定板
3. 在多样化的环境中采集数据
4. 采用多阶段标定策略

5.3 自动化标定脚本

创建自动化标定流程：

bash复制#!/bin/bash

# 自动采集数据
for i in {1..20}
do
    rosrun image_view image_saver image:=/camera/image_raw _filename_format:="image_%04d.jpg" _save_all_image:=false &
    sleep 1
    killall image_saver
    rosrun pcl_ros pointcloud_to_pcd input:=/livox/lidar _prefix:=pcd_ _fixed_frame:=livox_frame _binary:=true &
    sleep 1
    killall pointcloud_to_pcd
done

# 自动标定
python auto_calibrate.py --images image_*.jpg --pcds pcd_*.pcd

实际项目经验分享

在最近的一个农业机器人项目中，我们使用Livox Mid-100和DJI H20T进行果园环境的三维重建。初期标定时遇到了点云投影偏移的问题，最终发现是相机镜头畸变校正不充分导致的。重新进行相机内参标定并应用畸变校正后，投影精度显著提高。

另一个常见问题是标定结果的稳定性。我们发现，在温度变化较大的环境中（如室外早晚温差），标定参数会出现微小漂移。解决方案是：

1. 在工作温度范围内重新标定
2. 建立温度补偿模型
3. 定期进行标定验证

对于需要高精度融合的应用，建议每周进行一次标定验证，特别是在设备经过运输或剧烈震动后。