保姆级教程：用Direct_visual_lidar_calibration搞定相机激光雷达联合标定（含ROS环境配置）

从零实现相机与激光雷达的高精度联合标定：Direct_visual_lidar_calibration全流程解析

当自动驾驶车辆在复杂环境中行驶时，相机捕捉的丰富色彩信息与激光雷达提供的精确三维点云如何完美融合？这背后依赖的核心技术正是多传感器联合标定。本文将手把手带您完成基于Ubuntu 22.04和ROS的完整标定流程，特别针对初学者容易踩坑的依赖安装、环境配置等环节提供可视化解决方案。

1. 环境准备：构建稳定的开发基础

在Ubuntu 22.04系统上，推荐使用ROS2 Humble版本作为开发环境。与传统的ROS1相比，ROS2在实时性和跨平台支持上表现更优。首先通过以下命令完成基础工具链的安装：

sudo apt update && sudo apt install -y \ build-essential \ cmake \ git \ wget \ libomp-dev \ libboost-all-dev \ libglm-dev \ libglfw3-dev \ libpng-dev \ libjpeg-dev

提示：Ubuntu 22.04默认的gcc版本为11.3.0，完全兼容后续安装的各类依赖库。若系统曾安装过其他版本编译器，建议通过update-alternatives进行版本管理。

1.1 关键依赖项安装指南

GTSAM作为因子图优化库的核心组件，其安装需要特别注意Eigen3的系统版本兼容性：

git clone https://github.com/borglab/gtsam.git cd gtsam && git checkout 4.2a9 mkdir build && cd build cmake .. -DGTSAM_USE_SYSTEM_EIGEN=ON \ -DGTSAM_BUILD_EXAMPLES_ALWAYS=OFF \ -DGTSAM_BUILD_TESTS=OFF \ -DGTSAM_WITH_TBB=OFF \ -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF make -j$(nproc) sudo make install

常见问题排查表：

对于Ceres Solver，推荐使用经过验证的2.1.0稳定版本。安装时需关闭非必要模块以加快编译速度：

git clone --recurse-submodules https://github.com/ceres-solver/ceres-solver cd ceres-solver && git checkout e47a42c2957951c9fafcca9995d9927e15557069 mkdir build && cd build cmake .. -DBUILD_EXAMPLES=OFF \ -DBUILD_TESTING=OFF \ -DUSE_CUDA=OFF make -j$(nproc) sudo make install

2. 可视化工具与深度学习组件的配置

2.1 Iridescence可视化工具的特殊处理

安装完成后可能遇到的目标可见性问题，可通过修改CMake配置文件解决：

1. 定位到/usr/local/lib/cmake/Iridescence/IridescenceConfig.cmake
2. 将所有INTERFACE属性改为GLOBAL
3. 重新执行ldconfig更新动态链接库

2.2 SuperGlue的Python环境隔离方案

为避免与其他项目产生Python包冲突，建议使用conda创建独立环境：

conda create -n superglue python=3.8 conda activate superglue pip install numpy==1.21.0 opencv-python==4.5.4.60 torch==1.9.0 matplotlib==3.4.3 git clone https://github.com/magicleap/SuperGluePretrainedNetwork.git export PYTHONPATH="${PYTHONPATH}:$(pwd)/SuperGluePretrainedNetwork"

验证安装成功的快速测试命令：

import superglue print(superglue.__version__) # 应输出对应版本号

3. 标定工作空间构建与数据采集

3.1 创建工作空间与源码编译

采用catkin_tools替代传统catkin_make可获得更好的编译控制：

mkdir -p ~/direct_calib_ws/src cd ~/direct_calib_ws catkin init catkin config --extend /opt/ros/humble catkin config --cmake-args -DCMAKE_BUILD_TYPE=Release cd src git clone https://github.com/koide3/direct_visual_lidar_calibration.git --recursive catkin build

3.2 数据采集的最佳实践

录制rosbag时需特别注意以下参数配置：

• 激光雷达：确保输出为sensor_msgs/PointCloud2格式
• 相机频率：建议20Hz（标定时会降采样到4Hz使用）
• 场景选择：包含5-7个不同距离和角度的特征丰富区域
• 持续时间：每个场景15-20秒，总时长不超过2分钟

启动采集的推荐命令：

ros2 launch your_camera_driver camera.launch.py framerate:=20 ros2 launch your_lidar_driver lidar.launch.py point_cloud_format:=2 ros2 bag record -a -o calibration_data

4. 标定流程执行与结果验证

4.1 预处理阶段的关键参数

执行点云生成时需要准确提供相机内参和畸变系数：

ros2 run direct_visual_lidar_calibration preprocess \ --camera_model plumb_bob \ --camera_intrinsics 1276.73561723,1277.02008489,649.80468818,519.70622704 \ --camera_distortion_coeffs -0.06053074,0.08338175,0.00020265,-0.0002198,0 \ /path/to/input_rosbag \ /path/to/output_dir

注意：内参矩阵应采用fx,fy,cx,cy顺序，畸变系数为k1,k2,p1,p2,k3的Radtan模型。

4.2 自动化匹配与位姿优化

SuperGlue匹配阶段可通过--rotate_camera参数处理特殊安装角度：

ros2 run direct_visual_lidar_calibration find_matches_superglue.py \ /path/to/output_dir \ --rotate_camera 90 # 当相机旋转90度安装时使用

最终标定结果验证建议采用棋盘格复检法：将标定得到的变换矩阵应用于测试数据集，人工检查点云与图像的边缘对齐程度。典型成功指标包括：

• 静态物体边缘对齐误差<3像素
• 动态物体在连续帧中的投影稳定性
• 不同距离标定板角点重投影误差一致性