SynCalib：通过外参可控合成打破LiDAR-相机标定中的数据集捷径
针对在线LiDAR-相机标定中因训练数据外参多样性不足导致的“数据集捷径”问题（网络过拟合固定标称外参、实机泛化差），研究者提出数据生成框架SynCalib：利用带深度真值的全向图像数据集，在严格外参约束下合成多模态标定数据。实验显示合成数据提升了典型学习型标定网络的泛化性与鲁棒性，并在多种相机-LiDAR配置的真实场景中验证了仅用合成数据训练模型的零样本迁移能力。数据生成代码、预训练模型与在线基准数据集将公开。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《SynCalib: Breaking Dataset Shortcuts in LiDAR-Camera Calibration via Extrinsic-Controllable Synthesis》查看原链
arXiv:2610.27547v1 公告类型：交叉 摘要：在线LiDAR-相机标定在机器人领域仍是一项基础而具有挑战性的任务。 近年来，基于深度学习的数据驱动方法已经出现，提供了高精度、无靶标的标定能力。 然而，现有方法常因训练数据中外参多样性不足而出现严重的数据集捷径现象。
网络倾向于过拟合固定的标称外参配置，导致在实际部署中性能严重下降、泛化能力差。 为解决这一局限，我们提出了一种面向LiDAR-相机标定网络训练的高泛化性数据生成框架。 该框架利用已有的带深度真值标注的全向图像数据集，在严格的外参约束下合成多模态标定数据。
大量实验表明，我们流程生成的数据显著提升了典型基于学习的标定网络的泛化性与鲁棒性。 此外，我们在多种相机-LiDAR配置下开展了全面的真实世界评估，验证了仅用合成数据训练的模型的零样本迁移能力。 为便于后续研究与社区使用，数据生成代码、预训练模型和在线基准数据集将公开发布。