2. 标定基础
在智能驾驶、机器人、工业控制等系统中，标定（Calibration）是连接“物理世界”与“数字模型”的关键桥梁。它通过一系列可重复的测量与参数调整，使传感器、执行器或系统模型的输出尽可能逼近真实值。标定数据质量与版本追踪工程，正是围绕标定过程中产生的参数、配置、日志和版本信息进行系统化管理，确保系统在全生命周期内保持一致性、可追溯性和可复现性。
一、标定的定义与核心原理
标定是指利用已知参考标准或约束条件，建立系统输入与输出之间准确映射关系的过程。其核心原理可概括为：通过观测误差、建立模型、求解参数、验证精度四个环节，将系统误差和随机误差控制在可接受范围内。标定不是一次性的“调参”，而是一个包含测量、计算、验证和固化的工程闭环。
二、标定的分类
根据对象、时机和目的不同，标定可分为多种类型。理解分类有助于在工程中选择合适的标定策略和版本管理粒度。
- 按对象分类：传感器标定（相机、激光雷达、IMU、轮速计）、执行器标定（油门、刹车、转向、电机）、系统参数标定（时间同步、坐标变换、控制增益）。
- 按时机分类：出厂标定（产线一次性）、在线标定（运行中自动修正）、离线标定（实验室或售后使用工具链完成）。
- 按数学方法分类：线性标定（最小二乘）、非线性优化（LM、高斯牛顿）、查表/插值标定、机器学习辅助标定。
- 按数据维度分类：单参数标定（如零偏）、多参数联合标定（如相机-IMU外参）、全系统联合标定。
三、标定流程与数据流
一个完整的标定流程通常包含准备、采集、计算、验证、固化五个阶段。下图展示了从原始观测到标定参数发布的数据流与关键节点，帮助理解标定数据在系统中的流转路径。
从图中可以看出，标定数据并非孤立文件，而是与采集条件、计算过程、验证结果和版本元数据紧密关联。任何一个环节的缺失，都会导致后续无法复现或追溯。
四、常见标定对象与数据特点
不同标定对象的数据特点差异显著，直接影响版本追踪策略。下表对比了传感器、执行器和系统参数三类标定对象的关键属性。
| 标定对象 | 典型参数 | 数据特点 | 版本追踪重点 |
|---|---|---|---|
| 传感器 | 相机内参、畸变系数、激光雷达外参、IMU零偏与尺度因子 | 参数维度高、耦合性强、对温度/振动敏感 | 标定时间、温度条件、标定板型号、算法版本 |
| 执行器 | 油门/刹车死区、转向角零位、电机电流-扭矩映射 | 非线性、迟滞、随磨损漂移 | 车辆VIN、里程、标定工装编号、安全限值 |
| 系统参数 | 时间同步偏移、坐标变换矩阵、控制增益、滤波系数 | 跨模块依赖、全局影响、需联合验证 | 系统配置版本、依赖关系图、回归测试结果 |
五、案例场景：相机-IMU联合标定
以自动驾驶中相机与IMU联合标定为例。工程师首先在标定间采集多组相机图像和IMU数据，利用标定板提取角点，同时积分IMU得到相对运动约束。然后通过非线性优化求解相机-IMU外参和时间偏移。验证阶段检查重投影误差和IMU预积分残差。若误差超限，需检查标定板固定、时间同步或激励充分性。最终将外参、时间偏移、标定报告和版本元数据一并入库。
# 标定参数文件示例（YAML）
calibration:
sensor: camera_imu
timestamp: "2025-03-15T10:32:00Z"
extrinsic:
rotation: [0.9998, -0.0123, 0.0056,
0.0124, 0.9999, -0.0021,
-0.0055, 0.0022, 0.9999]
translation: [0.12, -0.05, 0.08]
time_offset: 0.0032 # 秒
reprojection_error: 0.28 # 像素
tool_version: "calib_tool_v2.4.1"
operator: "zhangsan"
六、常见误区与复盘
- 误区一：标定一次永久有效。传感器和执行器会随温度、振动、磨损发生漂移，需定期复标或在线监测。
- 误区二：只关注参数值，忽略标定条件。同一组参数在不同温度或工装下可能不适用，必须记录环境与工装信息。
- 误区三：版本命名随意。使用“final_v2”“new”等命名会导致追溯困难，应使用时间戳+对象+工具链版本的结构化命名。
- 误区四：验证不充分就发布。未通过残差检验或回归测试的标定参数，可能引入系统性偏差，影响下游感知与控制。
总结来看，标定基础不仅是理解参数如何产生，更是建立“数据可追溯、版本可管理、质量可验证”的工程意识。只有把标定数据当作一等公民来管理，后续的版本追踪与质量保障才有坚实根基。