综合工具包：
Opencalib：github
- 一个简单的校准工具箱和开源项目，主要用于自动驾驶中的传感器校准。
- 校准工具箱可用于校准 IMU、激光雷达、摄像头和雷达等传感器。
RGB Intrinsice ：
ROS_camera_calibration：github
Calibration-ZhangZhengyou-Method：github
- 相机标定之张正友标定法数学原理详解(python源码)
- 可用于校正 RGB 和 IR 相机
RGB2LiDAR：
cam_lidar_calib：github
- 使用 OpenCV 获取相机和棋盘之间的相对变换，并提供了棋盘平面表面法线的信息。
- 再对激光雷达在棋盘上的点进行聚类，同样能够获取棋盘平面表面法线的信息。
- 最后基于两个法线向量优化最小目标函数，获得相机与雷达之间的相对变换。需要提供3个以上的约束会有效
livox_camera_lidar_calibration：github
- 得益于Livox激光雷达的非重复扫描特性，我们可以更容易地找到高密度点云中角落的准确位置
- 该方法首先在记录的RGB图片与雷达点云中手动顺序选择目标标定板（无编码）的四个角
- 基于相机的内参，计算相机与雷达之间的相对变换
direct_visual_lidar_calibration ICRA2023：github
- 实现了无校正目标，可处理各种激光雷达与摄像头投影模型。并且只需少数帧即可，过程全自动。
- 首先对于稀疏的旋转式雷达点云，使用 CT-ICP 对移动后的点云进行拼接累计增加密度，在将点云投影到2D强度图像
- 通过 SuperGlue 找到 RGB 与雷达强度图之间的关键点对应关系后，使用 RANSAC 对特征点对进行筛选
- 最后基于 NID 最小化进行精细化优化变换矩阵
lidar_camera_calib_hku：github
- 在无目标环境中对高分辨率激光雷达（如 Livox）和摄像机之外在校准工具
- 利用雷达所输出累计的高密度点云提取边界信息，再与RGB中的边界信息匹配后获得变换矩阵
RGB2IMU：
Kalibr：github
- Kalibr使用一个非线性优化框架来估计变换参数。通过最小化投影误差和其他相关误差来得到最佳的校准参数。
- 对于IMU和相机的校准，Kalibr特别关注时间同步，这是因为IMU和相机的采样率通常不同，而且可能存在时间偏移。
- Kalibr设计为模块化的，允许对单个相机、多相机系统或相机与IMU系统进行校准。
RGBD2RGBD：
k4a-calibration：github
- 首先利用marker计算相机之间的初始位姿估计，再利用每个相机输出的RGB点云进行ICP优化。
ArmRobot2RGB
easy_handeye：
评论区