4. 标定基础概念
多传感器标定是机器人感知系统从“能采集数据”走向“能可信融合”的关键桥梁。无论是激光雷达与相机的外参对齐，还是相机内部畸变修正，抑或IMU与视觉的时空同步，其本质都是求解一组数学变换参数，使不同传感器对同一物理世界的观测在统一坐标系下达成一致。本章作为标定专题的基础，系统梳理六个核心概念：内参、外参、标定板/靶标、标定流程与精度评估指标，为后续章节的实操打下严格的理论与方法论基础。
4.1 内参与外参：传感器标定的两个核心维度
4.1.1 核心原理
内参（Intrinsic Parameters）描述传感器自身的固有属性。对于相机，内参包括焦距（fx, fy）、主点坐标（cx, cy）、畸变系数（k1, k2, p1, p2, k3）等；对于激光雷达，内参包括扫描角度分辨率、垂直视场角、安装俯仰角等；对于IMU，内参包括尺度因子、交叉耦合、零偏等。内参决定了传感器如何将三维世界点映射到自身的二维或一维观测空间。
外参（Extrinsic Parameters）描述传感器之间的相对位姿关系，通常表示为旋转矩阵R和平移向量t，即一个传感器坐标系到另一个传感器坐标系的刚体变换。在多传感器融合中，外参标定的准确性直接影响融合精度——若外参存在0.1°的旋转误差，在10米处将产生约17mm的位置偏差，这对于近距离操作机器人而言可能是致命的。
4.1.2 判断方法与操作流程
内参标定通常使用张正友标定法，通过拍摄不同姿态的棋盘格标定板，利用单应性矩阵求解内参初值，再通过非线性优化（如Levenberg-Marquardt）最小化重投影误差。外参标定则根据传感器类型组合采用不同策略：
- 相机-相机外参：通过双目对极几何约束，利用本质矩阵或基础矩阵分解得到R、t。
- 激光雷达-相机外参：通过3D-2D点对应关系，使用PnP（Perspective-n-Point）算法求解，或采用基于互信息的无目标标定。
- 激光雷达-激光雷达外参：通过ICP（Iterative Closest Point）及其变体（如GICP、NDT）配准点云。
- IMU-相机外参：通过运动激励下的视觉惯性对齐，利用旋转约束和重力观测联合优化。
| 传感器对 | 内参内容 | 外参内容 | 常用标定方法 |
|---|---|---|---|
| 相机-相机 | 焦距、主点、畸变 | 双目R、t | 张正友法 + 对极几何 |
| 激光雷达-相机 | 相机内参 + 雷达扫描参数 | 雷达→相机R、t | PnP / 互信息法 |
| 激光雷达-激光雷达 | 扫描角度、距离偏移 | 雷达间R、t | ICP / NDT配准 |
| IMU-相机 | IMU零偏、尺度因子 | IMU→相机R、t | 视觉惯性对齐 |
4.1.3 案例拆解：机械臂末端手眼标定
在机器人抓取场景中，手眼标定是典型的外参标定问题。设机器人基座坐标系为B，机械臂末端为E，相机为C，标定板为G。手眼标定求解的是相机与机械臂末端之间的变换X（即X = TE→C）。通过移动机械臂到多个位姿，观测标定板在相机坐标系下的位姿，建立AX=XB方程（A为相邻位姿间末端变换，B为相邻位姿间标定板变换），利用Tsai-Lenz或Park-Martin方法求解。
实际案例中，某六轴协作机器人末端安装RGB-D相机，要求抓取精度±2mm。操作流程：
- 固定标定板于机器人工作空间内，记录20组不同机械臂位姿下的标定板角点坐标。
- 每组位姿同时记录机械臂末端位姿（从控制器读取）和标定板在相机坐标系下的位姿（通过PnP求解）。
- 构建AX=XB方程组，使用SVD分解求解旋转矩阵初值，再迭代优化平移向量。
- 验证：将标定板放置在随机位置，计算重投影误差，平均误差0.8像素，对应3D误差约1.5mm，满足抓取需求。
4.1.4 常见误区与总结
- 误区一：认为内参标定一次完成终身不变。实际上，温度变化、镜头松动、振动冲击都会导致内参漂移，建议定期复标。
- 误区二：忽略畸变模型选择。对于广角镜头或鱼眼镜头，标准针孔模型+径向畸变可能不够，需使用Fisheye或Equidistant模型。
- 误区三：外参标定数据采集时，传感器静止不动。对于IMU-相机标定，必须充分激励各轴加速度和角速度，否则可观性不足。
4.2 标定板与靶标：几何基准的载体
4.2.1 核心原理
标定板（Calibration Board）或靶标（Target）是标定过程中提供已知几何特征的物理参照物。其核心作用是将“已知尺寸的几何约束”引入标定方程，使参数求解有足够的约束条件。标定板的设计直接影响特征提取的鲁棒性和标定精度。
4.2.2 常见靶标类型与选择
| 靶标类型 | 特征类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 棋盘格 | 角点 | 角点检测成熟、精度高 | 需完全可见、对遮挡敏感 | 相机内参、相机-相机外参 |
| 圆点阵 | 圆心 | 亚像素精度高、部分遮挡可用 | 椭圆拟合受透视影响 | 相机标定、激光雷达-相机 |
| ArUco码 | 角点+ID | 单板可提供多个特征、自动识别 | 精度略低于棋盘格 | 动态标定、机器人抓取 |
| 反射靶标 | 高反射圆点 | 激光雷达反射强度高 | 需特殊材料、成本高 | 激光雷达标定 |
4.2.3 案例拆解：激光雷达-相机联合标定中的靶标设计
某无人配送车需标定16线激光雷达与前置相机。选用1.2m×0.9m的平面靶标，表面粘贴3M钻石级反光膜圆点（直径8cm，间距15cm，共7×5=35个点）。选择反光靶标的原因：16线雷达在10m处点云稀疏，普通棋盘格在雷达点云中无法识别，而反光膜在905nm波长下反射强度显著高于背景，可通过强度阈值分割提取圆点中心。
操作中，将靶标放置在距离车辆5m、8m、12m处，各采集3个不同姿态（正对、左右偏转30°）。通过强度阈值提取雷达点云中的圆点，拟合圆并求圆心；同时相机图像通过椭圆拟合提取对应圆心。建立35×3×3=315组3D-2D对应点，使用PnP求解外参。最终重投影误差为1.2像素，验证集上3D点投影误差均值0.9像素。
4.2.4 常见误区与总结
- 误区一：靶标尺寸越大越好。过大的靶标在近距离时超出视场，过小则特征点提取精度不足。应根据传感器工作距离选择合适尺寸。
- 误区二：靶标平面度要求不严。实际上，靶标平面度误差会直接引入标定误差，建议使用铝板或碳纤维板，平面度优于0.1mm。
- 误区三：忽略靶标材质对激光雷达反射率的影响。不同材质在905nm/1550nm波长下的反射率差异巨大，需实测验证。
4.3 标定流程：从数据采集到参数验证
4.3.1 核心原理
标定流程是一套系统化的操作规范，其本质是“采集足够约束的数据 → 提取特征 → 构建优化问题 → 求解参数 → 验证精度”。流程设计的核心原则是可观测性——确保采集的数据包含足够的几何约束信息，使待求参数在数学上可解且稳定。
4.3.2 标准标定流程
- 准备阶段：选择靶标类型与尺寸，固定传感器安装，确保靶标平面度，记录传感器型号与固件版本。
- 数据采集：采集至少10-20组不同位姿的数据，覆盖视场边缘与中心，包含旋转和平移变化。对于相机标定，需保证棋盘格在图像中占比超过20%。
- 特征提取：使用OpenCV、PCL或自定义算法提取角点/圆心/点云特征，剔除异常值。
- 参数求解：根据传感器类型选择求解算法（张正友、PnP、ICP等），获得初值后使用非线性优化（如Ceres Solver）最小化残差。
- 精度验证：使用独立的验证集（未参与优化的数据）计算重投影误差、匹配距离等指标，确认是否满足应用需求。
- 固化与监控：将标定结果写入配置文件，并在运行中监控残差变化，判断是否需要重新标定。
4.3.3 案例拆解：AGV多传感器标定流程
某仓储AGV配备2D激光雷达（前向）、RGB-D相机（前向倾斜30°）和IMU。标定目标：激光雷达与相机外参、IMU与相机外参。流程如下：
- 数据采集：AGV静止，操作人员手持棋盘格在相机前方0.5-2m范围内移动，同时采集雷达点云、图像和IMU数据，共采集60秒，约1800帧图像。
- 特征提取：图像中检测棋盘格角点（9×6，格边长3cm），雷达点云中通过强度阈值提取棋盘格边缘点。
- 联合优化：使用基于互信息的无目标标定方法，将雷达点云投影到图像平面，最大化投影点与图像边缘的互信息，同时优化IMU零偏。
- 验证：将棋盘格放置在3个不同位置，计算雷达点云投影到图像上的重投影误差，平均1.5像素，满足AGV导航避障需求。
4.3.4 常见误区与总结
- 误区一：数据采集越多越好。实际上，冗余的相似位姿不会增加约束信息，反而增加计算量。应追求位姿多样性而非数量。
- 误区二：忽略时间同步。对于动态标定，传感器间的时间戳对齐至关重要，否则运动伪影会引入额外误差。
- 误区三：标定完成后不做验证。标定结果必须通过独立数据集验证，否则无法评估实际精度。
4.4 标定精度评估指标：量化标定质量
4.4.1 核心原理
标定精度评估是标定流程的“质检环节”，其核心思想是通过残差统计量反映参数估计的不确定性。常用的评估指标分为三类：重投影误差（2D）、匹配距离（3D）和位姿一致性误差（6D）。
4.4.2 主要评估指标详解
| 指标名称 | 定义 | 计算公式 | 典型阈值 | 适用场景 |
|---|---|---|---|---|
| 重投影误差 | 3D点投影到图像平面的像素距离 | RMSE = √(Σ‖pi - K[R|t]Pi‖²/n) | <0.5像素（内参） <2像素（外参） |
相机标定、雷达-相机 |
| 点云匹配距离 | 配准后对应点对的欧氏距离 | RMSE = √(Σ‖pi - R·qi - t‖²/n) | <2cm（近距离） <5cm（远距离） |
雷达-雷达、雷达-IMU |
| 位姿一致性误差 | 不同位姿下标定结果的方差 | σR, σt 的标准差 | 旋转σ<0.1° 平移σ<5mm |
手眼标定、多传感器融合 |
| 棋盘格角点残差 | 角点检测值与重投影值的偏差 | 平均误差（MAE） | <0.3像素 | 相机内参标定 |
4.4.3 案例拆解：标定精度验证的完整闭环
某服务机器人项目完成激光雷达-相机外参标定后，需验证标定精度是否满足建图要求。验证方案：
- 数据准备：在实验室走廊布置10个已知坐标的标记点（反光贴纸），使用全站仪测量其世界坐标，精度±1mm。
- 采集与投影：机器人静止，采集一帧雷达点云和一张图像，将标记点的世界坐标通过标定外参投影到图像平面。
- 计算误差：计算投影点与图像中标记点像素坐标的欧氏距离，得到10个误差值。
- 统计分析：平均误差1.2像素，最大误差2.1像素，标准差0.4像素。换算为3D误差：在5m距离处，1.2像素对应约3mm偏移。
- 结论：标定精度满足建图要求（建图精度±5cm），但发现最大误差出现在图像边缘区域，提示畸变校正可能不充分。
4.4.4 常见误区与总结
- 误区一：只关注重投影误差而忽略位姿一致性。重投影误差小不代表外参准确，可能存在过拟合。
- 误区二：使用训练数据评估精度。必须使用独立验证集，否则评估结果偏乐观。
- 误区三：忽略传感器噪声水平。评估指标应结合传感器固有噪声（如相机像素噪声、雷达测距噪声）来设定合理阈值。