基于先验位姿与运动编排的相机惯导外参标定方法

doi:10.11947/j.AGCS.2026.20250287

测绘学报 ›› 2026, Vol. 55 ›› Issue (3): 465-476.doi: 10.11947/j.AGCS.2026.20250287

基于先验位姿与运动编排的相机惯导外参标定方法

周瑞¹(), 朱锋¹(), 张小红²

^1.武汉大学测绘学院，湖北　武汉　430079
^2.武汉大学中国南极测绘研究中心，湖北　武汉　430079

收稿日期:2025-07-14 修回日期:2026-03-18 出版日期:2026-04-16 发布日期:2026-04-16
通讯作者: 朱锋 E-mail:ruichou@whu.edu.cn;fzhu@whu.edu.cn
作者简介:周瑞（2000—），男，硕士生，主要研究方向为多源融合导航定位。E-mail：ruichou@whu.edu.cn
基金资助:
国家杰出青年科学基金(42425003);国家自然科学基金(42388102; 42374031)

Camera-IMU extrinsic calibration based on prior poses and motion planning

Rui ZHOU¹(), Feng ZHU¹(), Xiaohong ZHANG²

^1.School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China
^2.Chinese Antarctic Center of Surveying and Mapping, Wuhan University, Wuhan 430079, China

Received:2025-07-14 Revised:2026-03-18 Online:2026-04-16 Published:2026-04-16
Contact: Feng ZHU E-mail:ruichou@whu.edu.cn;fzhu@whu.edu.cn
About author:ZHOU Rui (2000—), male, postgraduate, majors in multi-sensor fusion navigation and positioning. E-mail: ruichou@whu.edu.cn
Supported by:
The National Science Fund for Distinguished Young Scholars of China(42425003);The National Natural Science Foundation of China(42388102; 42374031)

摘要/Abstract

摘要：

多传感器融合利用异构传感器观测的互补性实现高精度导航定位，而精确的传感器外参是实现可靠融合的前提。本文针对现有相机惯导外参标定方法中对标定板依赖较强、标定结果易受数据质量影响、数据采集过程较为复杂等问题，提出一种基于先验位姿与运动编排的无标靶相机惯导外参标定方法：利用GNSS/SINS后处理平滑结果作为先验位姿，构建重投影误差方程，基于高斯牛顿优化框架实现外参的精确估计；通过运动编排优化数据采集轨迹，利用运动转台充分激励惯导，提高影像重叠度，保证标定数据的重复性和可靠性；提出一套完整的初始化与外参精优化流程，加速优化过程的收敛，实现外参的最优估计。仿真结果表明，该方法可实现优于0.05°的旋转外参估计精度和优于1 cm的平移外参估计精度；实测试验验证了该标定方法及流程的可行性与标定效果。

关键词: 组合导航, 传感器标定, 惯性导航系统, 多源融合

Abstract:

Multi-sensor fusion leverages the complementarity of heterogeneous data to achieve high-precision navigation and positioning, where accurate sensor extrinsic calibration serves as a fundamental prerequisite. To address the limitations of traditional camera-IMU calibration methods—such as strong reliance on calibration targets, sensitivity of calibration performance to data quality, and cumbersome data acquisition—this paper proposes a targetless calibration algorithm based on prior poses and motion planning. The method utilizes GNSS/SINS post-processed smoothed trajectories as prior poses to construct a reprojection error model, and employs a Gauss-Newton optimization framework to estimate the extrinsic parameters with high accuracy. A motion planning strategy is developed to optimize the data acquisition trajectory, using a motion turntable to sufficiently excite the IMU and enhance image overlap, thereby ensuring the repeatability and reliability of the calibration data. Furthermore, a complete initialization and extrinsic refinement pipeline is introduced to accelerate convergence and achieve optimal calibration results. Simulation results demonstrate that the proposed method achieves an extrinsic calibration accuracy better than 0.05° in orientation and 1 cm in translation. Field experiments further validate the feasibility and effectiveness of the proposed calibration approach and workflow.

Key words: integrated navigation, sensor calibration, inertial navigation system, multi-sensor fusion

中图分类号:

P228

周瑞, 朱锋, 张小红. 基于先验位姿与运动编排的相机惯导外参标定方法[J]. 测绘学报, 2026, 55(3): 465-476.

Rui ZHOU, Feng ZHU, Xiaohong ZHANG. Camera-IMU extrinsic calibration based on prior poses and motion planning[J]. Acta Geodaetica et Cartographica Sinica, 2026, 55(3): 465-476.

图/表 17

图1

图2

图3

图4

图5

表1

表2

图6

表3

图7

表4

图8

图9

图10

表5

图11

表6

参考文献 23

[1]	杨元喜. 导航与定位若干注记[J]. 导航定位学报, 2015, 3(3): 1-4.
	YANG Yuanxi. Notes of navigation and positioning[J]. Journal of Navigation and Positioning, 2015, 3(3): 1-4.
[2]	辜声峰, 戴春齐, 何成鹏, 等. 面向城市车载导航的多系统PPP-RTK/VIO半紧组合算法性能分析[J]. 武汉大学学报(信息科学版), 2021, 46(12): 1852-1861.
	GU Shengfeng, DAI Chunqi, HE Chengpeng, et al. Analysis of semi-tightly coupled multi-GNSS PPP-RTK/VIO for vehicle navigation in urban areas[J]. Geomatics and Information Science of Wuhan University, 2021, 46(12): 1852-1861.
[3]	朱锋. GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术[D]. 武汉: 武汉大学, 2019.
	ZHU Feng. GNSS/SINS/vision multi-sensors integration for precise positioning and orientation determination[D]. Wuhan: Wuhan University, 2019.
[4]	龚宁静. 无人系统多传感器标定问题研究[D]. 哈尔滨: 哈尔滨工业大学, 2021.
	GONG Ningjing. Research on multi-sensor calibration for unmanned system[D]. Harbin: Harbin Institute of Technology, 2021.
[5]	黄平, 胡超, 张宁, 等. 车载LiDAR-IMU外参联合标定算法[J]. 仪器仪表学报, 2022, 43(10): 128-135.
	HUANG Ping, HU Chao, ZHANG Ning, et al. Vehicle-mounted LiDAR-IMU external parameter joint calibration algorithm[J]. Chinese Journal of Scientific Instrument, 2022, 43(10): 128-135.
[6]	张守建, 李欣然, 王逸石, 等. 城市环境下视觉惯性里程计辅助PPP定位[J]. 导航定位学报, 2023, 11(6): 34-41, 101.
	ZHANG Shoujian, LI Xinran, WANG Yishi, et al. Visual inertial odometry-aided PPP positioning in urban environments[J]. Journal of Navigation and Positioning, 2023, 11(6): 34-41, 101.
[7]	姚二亮, 张合新, 张国良, 等. 基于Vision-IMU的机器人同时定位与地图创建算法[J]. 仪器仪表学报, 2018, 39(4): 230-238.
	YAO Erliang, ZHANG Hexin, ZHANG Guoliang, et al. Robot simultaneous localization and mapping algorithm based on vision and IMU[J]. Chinese Journal of Scientific Instrument, 2018, 39(4): 230-238.
[8]	QIN Tong, LI Peiliang, SHEN Shaojie. VINS-mono: a robust and versatile monocular visual-inertial state estimator[J]. IEEE Transactions on Robotics, 2018, 34(4): 1004-1020.
[9]	CAMPOS C, ELVIRA R, RODRÍGUEZ J J G, et al. ORB-SLAM3: an accurate open-source library for visual, visual-inertial, and multimap SLAM[J]. IEEE Transactions on Robotics, 2021, 37(6): 1874-1890.
[10]	LEUTENEGGER S, LYNEN S, BOSSE M, et al. Keyframe-based visual-inertial odometry using nonlinear optimization[J]. The International Journal of Robotics Research, 2015, 34(3): 314-334.
[11]	LÜ Jiajun, ZUO Xingxing, HU Kewei, et al. Observability-aware intrinsic and extrinsic calibration of LiDAR-IMU systems[J]. IEEE Transactions on Robotics, 2022, 38(6): 3734-3753.
[12]	潘林豪, 田福庆, 应文健, 等. 单目相机-IMU外参自动标定与在线估计的视觉-惯导SLAM[J]. 仪器仪表学报, 2019, 40(6): 56-67.
	PAN Linhao, TIAN Fuqing, YING Wenjian, et al. VI-SLAM algorithm with camera-IMU extrinsic automatic calibration and online estimation[J]. Chinese Journal of Scientific Instrument, 2019, 40(6): 56-67.
[13]	LI Mingyang, MOURIKIS A I. High-precision, consistent EKF-based visual-inertial odometry[J]. The International Journal of Robotics Research, 2013, 32(6): 690-711.
[14]	LI Mingyang, YU Hongsheng, ZHENG Xing, et al. High-fidelity sensor modeling and self-calibration in vision-aided inertial navigation[C]//Proceedings of 2014 IEEE International Conference on Robotics and Automation. New Yrok: IEEE, 2014: 409-416.
[15]	SCHNEIDER T, LI Mingyang, CADENA C, et al. Observability-aware self-calibration of visual and inertial sensors for ego-motion estimation[J]. IEEE Sensors Journal, 2019, 19(10): 3846-3860.
[16]	QIN Tong, SHEN Shaojie. Online temporal calibration for monocular visual-inertial systems[C]//Proceedings of 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems. New Yrok: IEEE, 2019: 3662-3669.
[17]	YANG Zhenfei, SHEN Shaojie. Monocular visual-inertial state estimation with online initialization and camera-IMU extrinsic calibration[J]. IEEE Transactions on Automation Science and Engineering, 2017, 14(1): 39-51.
[18]	YANG Yulin, GENEVA P, ECKENHOFF K, et al. Degenerate motion analysis for aided INS with online spatial and temporal sensor calibration[J]. IEEE Robotics and Automation Letters, 2019, 4(2): 2070-2077.
[19]	MIRZAEI F M, ROUMELIOTIS S I. A Kalman filter-based algorithm for IMU-camera calibration: observability analysis and performance evaluation[J]. IEEE Transactions on Robotics, 2008, 24(5): 1143-1156.
[20]	FURGALE P, BARFOOT T D, SIBLEY G. Continuous-time batch estimation using temporal basis functions[C]//Proceedings of 2012 IEEE International Conference on Robotics and Automation. New Yrok: IEEE, 2012: 2088-2095.
[21]	OTH L, FURGALE P, KNEIP L, et al. Rolling shutter camera calibration[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. New Yrok: IEEE, 2013: 1360-1367.
[22]	MAYE J, FURGALE P, SIEGWART R. Self-supervised calibration for robotic systems[C]//Proceedings of 2013 IEEE Intelligent Vehicles Symposium (IV). New Yrok: IEEE, 2013: 473-480.
[23]	CHEN Shuolong, LI Xingxing, LI Shengyu, et al. Targetless spatiotemporal calibration for multiple heterogeneous cameras and IMUs based on continuous-time trajectory estimation[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 9515112.

先验位姿误差	外参标定误差	RMS	2σ值
0.02 m/0.1°（2像素）	旋转x轴/（°）	0.015	0.032
	旋转y轴/（°）	0.019	0.039
	旋转z轴/（°）	0.020	0.041
	平移x轴/m	0.002	0.004
	平移y轴/m	0.002	0.004
	平移z轴/m	0.003	0.006

先验位姿误差		像素误差/像素	RMS		解算成功率/（%）
位置/m	姿态/（°）	像素误差/像素	旋转外参/（°）	平移外参/m	解算成功率/（%）
0.00	0.1	2	0.004	0.001	100
0.01			0.009	0.001	100
0.02			0.018	0.002	100
0.03			0.025	0.004	99.2
0.04			0.038	0.006	96.1
0.05			0.050	0.009	92.5
0.02	0.0	2	0.017	0.002	100
	0.1		0.018	0.002
	0.2		0.018	0.002
	0.3		0.021	0.003
	0.4		0.026	0.003
	0.5		0.030	0.004
0.02	0.1	0	0.017	0.002	100
		1	0.017	0.002
		2	0.018	0.002
		3	0.018	0.002
		4	0.019	0.002
		5	0.019	0.002

先验位姿误差	像素误差/像素	远近点阈值/m	RMS		解算成功率/（%）
位置/m姿态/（°）	像素误差/像素	远近点阈值/m	旋转外参/（°）	平移外参/m	解算成功率/（%）
0.020.1	2	1	0.027	0.006	100
		2	0.025	0.006
		3	0.022	0.004
		4	0.018	0.002
		5	0.018	0.002
		6	0.019	0.003
		7	0.020	0.005
		8	0.023	0.005
		9	0.024	0.006
		10	0.024	0.009

传感器类型	典型参数	参数值
MEMS-IMU（HGuide I300）	速度随机游走
	角度随机游走
	加表零偏不稳定性	20 μg
	陀螺零偏不稳定性	3（°）/h
	观测频率	200 Hz
单目相机（MER-131）	快门类型	全局快门
	分辨率	1280×1024像素
	观测频率	10 Hz
GNSS接收机（Mosaic-X5）	GNSS天线	HX-CH7609A
GNSS接收机（Mosaic-X5）	观测频率	10 Hz

标定方法	旋转外参/（°）	平移外参/m
设计值	（－90.00，0.00，180.00）	（0.150，0.000，－0.140）
本文方法	（－89.61，－0.19，179.63）	（0.144，－0.007，－0.134）
Kalibr	（－90.96，－0.32，179.11）	（0.139，0.005，－0.128）

基于先验位姿与运动编排的相机惯导外参标定方法

Camera-IMU extrinsic calibration based on prior poses and motion planning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

标定阶段	用时/min
标定阶段	本文方法	Kalibr
数据采集	10	10
数据预处理	1	1
GNSS/SINS解算	3	—
外参标定	3	5
总用时	17	16

[1]	吴唯同, 陈驰, 杨必胜, 何秀凤. 退化场景稳健的激光雷达、毫米波雷达与惯性融合里程计方法[J]. 测绘学报, 2025, 54(9): 1677-1686.
[2]	罗亚荣, 卢文韬, 郭迟, 刘经南. GNSS/INS组合导航左手对称性等变滤波模型及算法[J]. 测绘学报, 2025, 54(8): 1389-1403.
[3]	邵克凡, 李增科, 孙猛, 刘振彬, 吴祺. 智能手机多源数据融合增强的地磁SLAM方法[J]. 测绘学报, 2025, 54(10): 1812-1825.
[4]	李根, 柴洪洲, 靳凯迪, 展昭. 水下地形匹配定位抗差粒子滤波算法[J]. 测绘学报, 2025, 54(10): 1841-1851.
[5]	罗亚荣, 郭迟, 欧阳威, 刘经南. 顾及零偏几何性质的GNSS/SINS组合导航方法[J]. 测绘学报, 2025, 54(1): 26-39.
[6]	张盼盼, 武凛, 鲍李峰, 李倩倩, 刘会, 席梦寒, 王勇. 基于多频段重力扰动的惯性导航系统重力补偿方法研究[J]. 测绘学报, 2023, 52(8): 1255-1267.
[7]	李增科, 孙耀文, 陈昭冰, 赵龙, 高井祥. 顾及组合导航闭环反馈的变分贝叶斯自适应滤波优化算法[J]. 测绘学报, 2023, 52(5): 725-737.
[8]	郭文飞, 齐书峰, 邓玥, 郭迟. 融合TOA/AOD的5G/SINS紧组合导航定位算法分析[J]. 测绘学报, 2023, 52(3): 367-374.
[9]	王铉彬, 李星星, 廖健驰, 冯绍权, 李圣雨, 周宇轩. 基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法[J]. 测绘学报, 2022, 51(8): 1744-1756.
[10]	李博峰, 陈广鄂. GNSS/INS组合车辆协同精密定位方法[J]. 测绘学报, 2022, 51(8): 1708-1716.
[11]	张良培, 何江, 杨倩倩, 肖屹, 袁强强. 数据驱动的多源遥感信息融合研究进展[J]. 测绘学报, 2022, 51(7): 1317-1337.
[12]	张小红, 周宇辉, 朱锋, 胡昊杰. 参数自主学习的车辆运动约束新模型及其惯性推算误差抑制分析[J]. 测绘学报, 2022, 51(7): 1249-1258.
[13]	陈锐志, 钱隆, 牛晓光, 徐诗豪, 陈亮, 裘超. 基于数据与模型双驱动的音频/惯性传感器耦合定位方法[J]. 测绘学报, 2022, 51(7): 1160-1171.
[14]	郝雨时, 孙剑伟, 隋心, 徐爱功, 施闯. 顾及ISB/IFB的多GNSS RTK/INS紧组合导航方法[J]. 测绘学报, 2022, 51(11): 2265-2272.
[15]	刘万科, 农旗, 陶贤露, 朱锋, 胡捷. 非完整约束的OD/SINS自适应组合导航方法[J]. 测绘学报, 2022, 51(1): 9-17.