Kalibr 提供两种使用方式。 第一种为CDE下直接使用，作者将所需的库文件打包好，省去了配置dependency的步骤，可以直接从
https://github.com/ethz-asl/kalibr/wiki/downloads下载， 注意需要科学浏览。下载之后直接用./cde-exec+命令 即可使用对应的工具。
例如如果我们想使用kalibr内的kalibr_calibrate_cameras功能，使用
./ced-exec kalibr_calibrate_cameras --target april_6x6.yaml --bag static.bag --models pinhole-equi pinhole-equi omni-radtan omni-radtan --topics /cam0/image_raw /cam1/image_raw /cam2/image_raw /cam3/image_raw 但是此方法不能使用其中的某些功能，例如我们想使用calibration validator，在CDE环境下是无法使用的。 第二种：build from source。根据https://github.com/ethz-asl/kalibr/wiki/installation的part B中的描述进行安装。
xtion pro live 相机标定 首先我们要下载PTAM，用ptam的cameracalibrator来标定。 下载ptam包，编译之前安装依赖项：sudo apt-get install freeglut3-dev sudo apt-get install libblas-dev sudo apt-get install liblapacke-dev进入PtamFixParams.yaml文件第2、3行修改xtion_pro_live的图像分辨率为：ImageSizeX: 640 ImageSizeY: 480成功编译后，进入cameracalibrator.launch修改输入topic ：<?xml version="1.0"?> <launch> <include file="$(find openni2_launch)/launch/openni2.launch" /> <node name="image_proc" pkg="image_proc" type="image_proc" ns="camera"> <remap from="camera_info" to="/camera/rgb/image_info" /> <remap from="image_raw" to="/camera/rgb/image_raw" /> <remap from="image_mono" to="/mono_image" /> </node> <node name="cameracalibrator" pkg="ptam" type="cameracalibrator" clear_params="true" output="screen"> <!-- <remap from="image" to="/camera/rgb/image_raw" /> --> <remap from="image" to="/mono_image" /> <remap from="pose" to="pose"/> <rosparam file="$(find ptam)/PtamFixParams.yaml"/> </node> </launch> 做完了这些，你还需要把ptam中的calib_pattern.pdf打印出来作为标定棋盘，你就可以运行校准程序了，在终端中输入：roslaunch ptam cameracalibrator.launch针对xtion相机还有一种pinhole模型，给出pinhole模型标定过程： 先把标定程序下载下来： git clone https://github.com/ros-perception/image_pipeline.git去把最新的依赖文件vision_opencv下载下来:git clone https://github.com/ros-perception/vision_opencv.git 扔到空间内的src下编译，然后开始标定roslaunch openni2_launch openni2.launch rosrun camera_calibration cameracalibrator.py --size 11x7 --square 0.02 image:=/camera/rgb/image camera:=/my_camera --no-service-check有人会问了不是12x8个方格吗？对啊，所以有11x7内点啊。 有人会问camera:=/my_camera这是什么东东？相机device。因为有–no-service-check所以/my_camera可以随便写！！不检查。但不可以省略。下面的过程可以看下： 教程：http://wiki.ros.org/camera_calibration/Tutorials/MonocularCalibration 相机/IMU标定 如何标定，标定所需文件* XX.bag:包含有图片信息和IMU数据的ROS包 * camchain.yaml:包含相机的内参和畸变参数的文件 * IMU.yaml:包含IMU的基本参数,噪音等 * target.yaml:标定目标板的参数之前说过需要打印一个棋盘格，kalibr也提供一种制作方式，kalibr_create_target_pdf --type apriltag --nx [NUM_COLS] --ny [NUM_ROWS] --tsize [TAG_WIDTH_M] --tspace [TAG_SPACING_PERCENT]将生成的pdf打印出来，置于平稳，光照充足的地方，注意要保持平整。Kalibr作者推荐将camera固定，然后移动标定板，这样可以提高标定的稳定性，但是鉴于我使用场景受限，我使用的是晃动camera方法。
之后就可以开始录制bag了，使用rosbag record /camera/rgb/image_raw /imu/data标定时注意激活所有的轴，即可录制包含三个topic的rosbag了。
注意录制过程中camera不要距离标定板太近，否则会出现无法初始化focal length的错误。Kalibr是一个十分强大的工具箱，提供了很多工具。我们可以使用calibration validator进行标定的验证，原理是对重投影误差进行量化分析。大家可以自行验证。工具使用上一步骤的camera标定结果以及标定板的yaml文件，具体命令如下：
kalibr_camera_validator --cam camchain.yaml --target target.yaml其中camchain.yaml为相机标定结果yaml，target.yaml为标定板yaml。部分资料可在以下链接下载：点击打开链接https://github.com/ethz-asl/kalibr/wiki/downloads若对相机标定结果满意我们可以继续进行camera以及imu的联合标定步骤，此步使用了如下信息：
1. 标定板yaml
2. 相机标定结果yaml
3. imu内参yaml
4. 前面使用的对应bag
有了如上材料即可进行联合标定，具体如下：kalibr_calibrate_imu_camera --target aprilgrid6x4.yaml --cam camchain-2017-07-07-09-13-29.yaml --imu imu.yaml --bag 2017-07-07-09-13-29.bag --bag-from-to 5 45最后的--bag_from_to是选取地5-45s的bag数据，去除了拾取防止设备产生的抖动部分影响。我们建议进行多组标定之后将标定结果进行最佳无偏估计，不建议对R部分直接取平均值，可以将多组数据的R部分转换成四元数。之后进行处理。标定完成后一般会生成三个文件,其中一个, 因为可能存在的人为的安装问题,真实的IMU到相机的的转移矩阵可能不确定.由于没有准确的判定准则,故当前标定的结果,主要基于以下两个方面: * 真实的IMU坐标系和相机坐标系的转换,即相机和IMU的物理距离 * 标定结果的稳定性上 未解决的部分 相机IMU之间的坐标平移矩阵没有获得；imu的标定没有完成。标定完后，代码运行有所改善，但没有预想的好。 部分链接： 点击打开链接http://blog.csdn.net/binbin_sun/article/details/53791404点击打开链接https://github.com/ethz-asl/kalibr/wiki/downloadshttp://blog.csdn.net/xu1129005165/article/details/52948992 点击打开链接http://blog.csdn.net/u013004597/article/details/51965940