SLAM 點雲圖鑑Point clouds for construction
M-01 · 2020

LI-Calib

LI-Calib 以連續時間 B 樣條表示 IMU 軌跡，使每個 LiDAR 點的取樣時刻都能取得位姿，並直接以原始加速度與角速度殘差和點對面元（surfel）距離聯合最佳化外參。流程先對齊 LiDAR 與 IMU 旋轉初始化外參旋轉，再迭代去除運動畸變、重建面元地圖與更新對應。此法假設兩感測器已硬體同步，只估計空間外參。

感測、校正、同步與前處理近十年已讀全文同儕審查已出版誤差來源：校正、同步、畸變與退化

閱讀版本
arXiv v1 (2020-07-29, the only arXiv version); IEEE IROS 2020 version of record not compared
全文取得途徑
arXiv 預印本
本頁內容

Targetless LiDAR-IMU extrinsic calibration via continuous-time B-spline batch estimation with point-to-surfel constraints and iterative deskewing.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入3D LiDAR (VLP-16)、IMU (three Xsens MTi-100 series)
原文測試平台self-assembled LiDAR-IMU rig (carrier and mode of motion not reported)、simulation
狀態估計continuous-time batch optimization (Levenberg-Marquardt, Kontiki toolkit) with split cubic B-splines in R3 and SO(3), knot spacing 0.02 s; state holds extrinsic rotation and translation, spline control points, gravity alignment and IMU biases; residuals from raw accelerometer and gyroscope readings and point-to-surfel distances
資料關聯point-to-surfel: map split into cells (0.5 m indoor, 1.0 m outdoor); RANSAC plane fitted in cells whose plane-likeness exceeds 0.6 in the first iteration and 0.7 afterwards; correspondences beyond a distance threshold rejected; raw scans randomly downsampled
時間表示continuous-time (B-spline)
去畸變points reprojected with spline poses; rotation deskew after initialization, full deskew after each batch iteration
迴圈閉合none
全域最佳化iterative batch refinement of surfel map and associations (about 4 iterations to converge)
地圖表示surfel map (0.5 m cells indoor, 1.0 m outdoor)
先驗資訊hardware time synchronization assumed (spatial calibration only); extrinsic rotation initialized by aligning IMU spline rotations with NDT scan-to-map LiDAR odometry; extrinsic translation not initialized; sufficient rotational and linear excitation required
可輸出幾何extrinsic LiDAR-IMU transform; undistorted point cloud map
計算需求offline batch; converges in about 4 iterations (results reported after 8); runtime and hardware not reported

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
LiDARVelodyne VLP-16方法輸入未標示simulated to match the real sensor: 10 Hz scans, 360 deg horizontal and +/-15 deg vertical field of view; hardware synchronized with the IMUs(Lv et al., 2020, Sec. V, V-A, Fig. 1)
慣性量測單元（IMU）Xsens MTi-100 series (three units)歸入：Xsens MTi-100方法輸入未標示simulated to match the real sensors at 400 Hz(Lv et al., 2020, Sec. V, V-A, Fig. 1)
載具平台self-assembled LiDAR-IMU sensor rig方法輸入未標示one VLP-16 and three Xsens IMUs; an attached camera was not used(Lv et al., 2020, Fig. 1, Sec. V)
其他Vicon motion capture system參考或真值量測未標示ten sequences of about 15 s used for trajectory ATE(Lv et al., 2020, Sec. V-B)

作者報告的優勢與限制

優勢

  • Simulation: translation error 0.0043 +/- 0.0006 m and rotation error 0.0224 +/- 0.0026 deg over 10 Monte Carlo sequences (Sec. V-A)
  • Real-world repeatability within a few millimetres and milliradians indoors; IMU-to-IMU relative poses differ from CAD by a few millimetres and under 1 deg (Table I, Table II)
  • Estimated spline trajectories matched a Vicon motion-capture reference with an average ATE of 0.0183 m over ten sequences of about 15 s (Sec. V-B, Fig. 5)

限制

  • Depends on NDT-based LiDAR odometry in the first iteration; poor initial odometry leads to unreliable correspondences and inaccurate calibration (Sec. VI)
  • Outdoor repeatability of translation worse than indoor due to uneven planes (Sec. V-B)
  • Requires sufficient rotational and linear excitation (Sec. V-B)

營建工程相關證據

未在工地測試；作者指出平面豐富的室內人造環境校正較佳，這對既有建築室內校正場有參考價值（推論）。

原文驗證環境：模擬、受控實驗、獨立參考量測

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 5 個比較組，合計 52 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 1 組列在最後，並連到性能比較頁。

Lv et al., 2020 · Table I 本方法 36 筆

表格設定（擷取紀錄原文）：SD of IMU-to-LiDAR extrinsic estimates over five trials per scene after eight iterations (means omitted) (Lv et al., 2020, Table I)

SD of x，own real-world sequences · IMU1

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Lv et al., 2020 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：標準差（std）；對齊方式：未對齊；單位：m；場景：indoor

資料來源作者報告值(Lv et al., 2020, Table I)

數值與出處
方法（原文寫法）報告值出處
LI-Calib（第 1 筆）本方法原文提出0.002 m(Lv et al., 2020, Table I)
LI-Calib（第 2 筆）本方法原文提出0.0034 m(Lv et al., 2020, Table I)

Lv et al., 2020 · Table II 本方法 8 筆

表格設定（擷取紀錄原文）：Difference between calibrated relative pose of IMU2 or IMU3 w.r.t. IMU1 (mean over indoor datasets) and CAD reference (Lv et al., 2020, Table II)

Difference to CAD reference，own real-world sequences · IMU2 X

這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Lv et al., 2020 在此表設定下報告的數值（author-reported results），不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：m；場景：indoor

數值與出處
方法（原文寫法）報告值出處
LI-Calib本方法原文提出0.0012 m(Lv et al., 2020, Table II)

Lv et al., 2020 · Text Sec. V-A 本方法 4 筆

資料集與序列simulation · 10 Monte Carlo sequences

表格設定（擷取紀錄原文）：Monte Carlo simulation, 10 sequences of 10 s, three orthogonal planes, sinusoidal IMU motion; the text gives each result as value +/- value without defining the +/- term, so mean and SD are not asserted (Lv et al., 2020, Text Sec. V-A)

translational error of calibrated extrinsic vs ground truth，simulation · 10 Monte Carlo sequences

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Lv et al., 2020 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：m；場景：simulated three orthogonal planes

資料來源作者報告值(Lv et al., 2020, Text Sec. V-A)

數值與出處
方法（原文寫法）報告值出處
LI-Calib（第 1 筆）本方法原文提出0.0043 m(Lv et al., 2020, Sec. V-A)
LI-Calib（第 2 筆）本方法原文提出0.0006 m(Lv et al., 2020, Sec. V-A)

Zhu et al., 2022b · Table IV 本方法 3 筆

資料集與序列two PandarXT plus Pixhawk sequences from Sec. IV-B.1 · first 40 s of each sequence

表格設定（擷取紀錄原文）：Extrinsic calibration comparison on two Hesai PandarXT plus Pixhawk sequences, first 40 s (400 scans) each; average relative IMU pose error against CAD; time offset pre-compensated for the baselines; default baseline parameters; all on the i7-10700 desktop (Zhu et al., 2022b, Table IV)

Translation(m)，two PandarXT plus Pixhawk sequences from Sec. IV-B.1 · first 40 s of each sequence

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

  • 發散

這些是 Zhu et al., 2022b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：m；場景：calibration scene of Fig. 7(e) (not described further)

資料來源作者報告值(Zhu et al., 2022b, Table IV)

數值與出處
方法（原文寫法）報告值出處
Proposed原文提出0.0162 m(Zhu et al., 2022b, Table IV)
LI-Calib [14]本方法無數值發散註記（擷取紀錄）：diverged (refinement fails; authors attribute it to missing gravity initialization)(Zhu et al., 2022b, Table IV and note)
Target-Free [15]0.0187 m(Zhu et al., 2022b, Table IV)

其他比較組

列出其餘 1 個比較組

來源

  • Lv et al., 2020

    Jiajun Lv, Jinhong Xu, Kewei Hu, Yong Liu, Xingxing Zuo（2020）Targetless Calibration of LiDAR-IMU System Based on Continuous-time Batch Estimation2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 9968-9975

    DOI 10.1109/iros45743.2020.9341405arXiv 2007.14759程式碼

    同儕審查已出版已讀全文近十年

程式碼：https://github.com/APRIL-ZJU/lidar_IMU_calib（授權：GPL-3.0）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉