1. 课程导入

在传感器、摄像头、雷达、惯性单元、工业机器人等产品的研发与量产过程中，标定是决定精度、一致性与交付节奏的关键环节。过去，标定往往依赖工程师手动摆放靶标、逐台采集数据、人工记录参数，再离线计算外参和内参。这种方式在小批量样机阶段尚可接受，但一旦进入几十台、几百台甚至上千台的批量测量场景，人工操作就会成为瓶颈：效率低、重复性差、数据追溯困难，且难以保证不同批次之间的一致性。本课程围绕标定自动化平台与批量测量工程展开，目标是帮助学习者建立从单站标定到产线级批量标定的完整工程能力。

学习目标与核心概念

本课程的学习目标可以归纳为四个层次：第一，理解标定系统的整体架构，包括被测件、靶标系统、运动机构、采集单元、计算服务与数据管理平台；第二，掌握自动化标定的流程编排方法，能够把标定任务拆解为可配置、可调度、可复现的步骤；第三，具备批量测量工程的设计能力，包括工位节拍分析、并行调度、结果判定与异常回流；第四，能够对批量标定数据进行统计分析，识别系统性偏差与随机误差，并形成可执行的改进方案。

核心概念包括：标定任务（一次完整的参数估计过程）、标定工位（执行采集与计算的物理或逻辑单元）、靶标位姿（标定参考物的空间位置与姿态）、采集批次（同一批次被测件的集合）、参数收敛（优化算法达到稳定解）、重复性（同一被测件多次标定结果的一致性）以及再现性（不同工位或不同时间标定结果的一致性）。这些概念贯穿后续所有章节，是理解自动化平台设计的基础。

整体框架：四层结构

标定自动化平台通常采用四层架构，如上图所示。物理层负责提供稳定的标定环境，包括被测件、靶标、运动机构、采集单元和环境控制；控制层负责任务调度、流程编排、设备驱动和状态监控；计算层完成数据预处理、参数估计、精度评估和结果判定；数据层则承担原始数据存储、标定参数库、统计分析和报表追溯。四层之间通过标准接口解耦，使得平台可以适配不同型号的传感器和不同产线的节拍要求。

在批量测量工程中，控制层和计算层是自动化的核心。控制层需要解决“什么时候采、采多少、怎么同步”的问题；计算层需要解决“算得准、算得快、判得稳”的问题。数据层则保证每一台被测件的标定结果都能追溯到原始数据、算法版本和操作记录，这是量产质量体系的基本要求。

方法流程：从单站标定到批量测量

一个典型的自动化标定流程可以概括为以下步骤：

1. 任务创建：根据产品型号和标定规范，生成标定任务，指定靶标布局、采集位姿、算法配置和判定阈值。
2. 工位准备：检查设备状态、环境光照、靶标清洁度，确认采集单元与计算服务在线。
3. 自动采集：运动机构按预设轨迹移动，采集单元同步触发，记录图像、点云或惯性数据。
4. 数据预处理：去除无效帧、对齐时间戳、提取特征点或靶标角点。
5. 参数估计：调用标定算法求解内参、外参或手眼关系，并计算残差与置信区间。
6. 结果判定：根据阈值判断合格、复标或报废，并自动分流到下一工位。
7. 数据归档：将原始数据、参数结果、日志和判定结论写入数据层，支持追溯与统计。

行业应用场景

标定自动化平台已经广泛应用于多个行业。在自动驾驶领域，多传感器融合需要精确的相机-激光雷达-IMU外参标定，批量测量工程可以保证不同车辆之间的标定一致性；在工业机器人领域，手眼标定和工具坐标系标定直接影响抓取精度，自动化平台可以缩短换线时间；在消费电子领域，手机摄像头模组的主动对准和标定需要高节拍、高重复性的产线方案；在医疗影像和AR/VR领域，标定精度直接决定用户体验和诊断可靠性。

常见误区与复盘

复盘一个真实案例：某产线在导入自动化标定平台后，单台节拍从12分钟降到3分钟，但一次通过率只有82%。分析发现，问题不在算法，而在采集单元的触发延迟导致部分帧时间戳错位。通过增加硬件同步信号和采集前自检，一次通过率提升到96%。这说明批量测量工程的核心不是单点技术，而是系统协同。

# 标定任务配置示例（YAML）
task:
  name: "camera_lidar_extrinsic"
  target: "checkerboard_8x6"
  poses: 24
  algorithm: "ba_extrinsic"
  thresholds:
    reprojection_error: 0.35   # px
    translation_std: 0.002     # m
    rotation_std: 0.05         # deg
  batch:
    size: 50
    parallel_workers: 4
    retry_limit: 2