2025 – Targetless Multi‑LiDAR + GNSS/INS Extrinsic Calibration

Paper: Wang et al. (2025) – Joint Optimization‑Based Targetless Extrinsic Calibration for Multiple LiDARs and GNSS‑Aided INS of Ground Vehicles
PDF: arXiv:2507.08349v1
Theme: Fusion / Robotics / Calibration
Fiche: A054

🎯 Problématique

Les véhicules multi‑capteurs (LiDARs + GNSS/INS) doivent être calibrés précisément pour obtenir une estimation fiable de :

• la pose extrinsèque des LiDARs entre eux,
• la pose extrinsèque entre un LiDAR « racine » et le GNSS/INS,
• les poses GINS elles‑mêmes, afin d’éviter la propagation d’erreurs systématiques.

Difficultés majeures :

• Plusieurs LiDARs sans overlap de champ de vision,
• Plateformes quasi‑planaires (mines, camions lourds → mauvaise observabilité verticale),
• Bruits, vibrations, environnements peu structurés,
• Absence de cibles de calibration.

🧩 Contributions principales

1. Pipeline complet et robuste, entièrement target‑less.
2. Virtual LiDAR (VL) posé sur un plan (sol) pour restaurer l’observabilité verticale.
3. Analyse terrain via Patchwork++ pour sélectionner automatiquement les régions planes.
4. Initialisation globale : combinaison de LiDAR‑Align modifié + DIRECT pour la rotation initiale.
5. Joint Optimization :
   • extrinsèques multi‑LiDAR,
   • extrinsèques LiDAR ↔ GINS,
   • estimation conjointe des poses GINS,
   • contraintes géométriques, motion consistency, facteurs SE(3).
6. Ajout d’un Installation Factor (hauteur GINS) pour contrôler la dérive verticale.
7. Code open source fourni : https://github.com/KEEPSLAMDUNK/ML-GINS-Calib

🔬 Méthodologie détaillée

1️⃣ Initialisation

• Alignement LiDAR‑sol pour approximer la normale verticale.
• Recherche globale (DIRECT) pour compenser les plateaux locaux.
• Première estimation de la rotation LiDAR↔GINS.

2️⃣ Calibration LiDAR ↔ GINS

• Optimisation de type batch (non‑linéaire) sur plusieurs segments.
• Utilisation d’un modèle GICP généralisé avec covariances adaptatives.

3️⃣ Terrain Analysis (Virtual LiDAR)

• Extraction du sol via Patchwork++.
• Génération d’un pseudo‑capteur LiDAR posé sur le sol → permet de contraindre z/yaw.

4️⃣ Calibration Multi‑LiDAR

• Tous les LiDARs sont exprimés dans le frame d’un LiDAR « racine ».
• Les poses relatives sont optimisées simultanément.

5️⃣ Joint Optimization (Graph-SLAM style)

Noeuds optimisés :

• poses GINS,
• extrinsèques LiDAR0↔GINS,
• extrinsèques LiDAR_i↔LiDAR0 (i>0),
• facteur d’installation (hauteur).

Contraintes :

• GICP,
• Virtual LiDAR plane constraints,
• IMU/GNSS motion consistency,
• réguliers de stabilité mécanique.

📊 Résultats

Simulations

• Erreur de rotation < 0.1°,
• Erreur de translation < 3 cm,
  → Meilleur que HECalib, LiDAR‑Align, et d’autres baselines multi‑LiDAR.

Expériences réelles

Plateforme :

• 1× Livox Horizon (FoV large)
• 4× Robosense Bpearl (FoV étroit)
• GINS embarqué

Résultats :

• Multi‑LiDAR très précis dans tous les couples (L0–L1, L0–L3, L0–L4).
• Amélioration significative sur les dérives verticales.

🧠 Intérêt pour RS3 / Telemachus

📌 Résumé personnel / Insights

• Excellent papier pour comprendre les limitations d’observabilité en plateforme quasi‑planaires (problem RS3 also models).
• Le Virtual LiDAR est une idée élégante et réutilisable dans ton écosystème.
• Montre que même des pipelines complexes (multi‑LiDAR + GINS) peuvent être optimisés de façon unifiée.
• Intéressant pour R&D future autour de RS3‑Fleet, fusion avancée et calibration complète.

🔗 Références

Wang, et al., Joint Optimization‑Based Targetless Extrinsic Calibration for Multiple LiDARs and GNSS‑Aided INS of Ground Vehicles, arXiv:2507.08349.