4. 传感器标定
说到传感器标定，我脑子里第一个蹦出来的词就是「对齐」。说白了，就是把摄像头看到的像素和激光雷达打到的点云，在空间上拧到一起去。这件事做不好，后面所有的融合算法都是空中楼阁。我在项目里见过太多团队，算法调了几个月效果还是差，最后发现是标定参数偏了那么零点几度——嗯，这种坑我踩过不止一次。
4.1 Camera内参标定：先把眼睛的度数配准
摄像头内参标定，其实就是搞清楚镜头本身的畸变和焦距。你想想看，一个广角镜头拍出来的画面边缘都是弯的，不矫正的话，你拿像素坐标去算物理距离，那误差能大到离谱。
我个人习惯用棋盘格标定板，打印出来贴在平板上，然后从不同角度拍个二三十张照片。这里有个关键点：标定板一定要平整。我曾经有一次偷懒，用海报纸打印的棋盘格，结果标定出来的焦距参数总是飘，后来才发现是纸面有褶皱。
核心步骤：
- 采集多角度棋盘格图像（20-30张）
- 检测角点亚像素坐标
- 求解内参矩阵 K 和畸变系数
- 重投影误差评估（一般要求 < 0.5 pixel）
常用的工具是 OpenCV 的 calibrateCamera() 函数。不过我个人更推荐用 Kalibr 来做，因为它能同时标定多个相机，而且支持鱼眼模型。代码大概长这样：
# 使用 Kalibr 进行单目内参标定
kalibr_calibrate_cameras \
--target april_6x6.yaml \
--models pinhole-radtan \
--cams cam0.yaml \
--bag calibration.bag
这里要注意，--target 文件里要定义标定板的尺寸和类型。我习惯用 Aprilgrid，因为它比棋盘格更鲁棒，部分遮挡也不影响检测。
我的小技巧：标定的时候，让标定板尽量充满画面各个区域，尤其是四个角落。这样畸变参数才能被充分约束。我一般会拍一组「绕圈」的视频，然后抽帧使用。
4.2 Camera-Lidar联合标定：让眼睛和耳朵对齐
Camera 和 Lidar 的联合标定，说白了就是求一个旋转平移矩阵，把激光雷达的点云投影到图像平面上。这件事的难点在于：两个传感器的数据模态完全不同——图像是稠密的纹理信息，点云是稀疏的几何信息。
我记得第一次做联合标定时，投影出来的点云总是偏半个车身。查了两天，最后发现是 Lidar 的安装角度标错了。所以我现在做联合标定，一定会先确认两个传感器的「硬同步」——时间戳对齐了，空间标定才有意义。
4.2.1 标定原理
联合标定的目标就是求解一个 4x4 的变换矩阵 T_cam_lidar：
P_image = K * T_cam_lidar * P_lidar
其中 P_lidar 是激光雷达坐标系下的点，K 是之前标好的内参矩阵。说白了，就是把 Lidar 的点先转到相机坐标系下，再用内参投影到像素平面。
4.2.2 标定流程
我常用的方法是找一些「角点对应」——在点云里找一个反射板的角点，同时在图像里找到对应的像素坐标。至少需要 4 组对应点才能解出变换矩阵。实际操作中，我会用标定板上的棋盘格角点作为桥梁：
- 在标定板周围采集 10-15 帧同步数据
- 手动或自动提取图像中的棋盘格角点
- 在点云中提取标定板平面的点云，拟合平面后计算角点位置
- 用 PnP 算法求解 T_cam_lidar
避坑指南：我曾经在户外做标定，阳光太强导致 Lidar 的反射板回波信号弱，点云里根本看不到标定板。后来我改用高反光材料（比如 3M 钻石级反光膜），效果好了很多。另外，标定环境最好选在室内或者阴天，避免阳光直射 Lidar。
4.3 标定工具：Kalibr 与 Livox_Calibration
工具这块，我主要用两个：Kalibr 和 Livox_Calibration。它们各有侧重，我分别说说。
4.3.1 Kalibr：多传感器标定的瑞士军刀
Kalibr 是 ETH Zurich 开源的标定工具，支持 Camera 内参、Camera-IMU、多 Camera 联合标定。它的核心优势是：基于连续时间轨迹的优化方法，能同时估计传感器内参和外参，而且对时间偏移也很敏感。
使用 Kalibr 的典型流程：
# 1. 制作标定板配置文件
cat > april_6x6.yaml << EOF
target_type: 'aprilgrid'
tagCols: 6
tagRows: 6
tagSize: 0.088
tagSpacing: 0.3
EOF
# 2. 运行标定
kalibr_calibrate_cameras \
--bag data.bag \
--topics /camera/image_raw \
--models pinhole-equi \
--target april_6x6.yaml
# 3. 联合标定 Camera-Lidar
kalibr_calibrate_cameras_lidar \
--bag data.bag \
--cam camchain.yaml \
--lidar lidar.yaml \
--target april_6x6.yaml
我个人觉得 Kalibr 最大的坑是：对数据质量要求很高。如果标定过程中有抖动或者标定板移动太快，优化很容易发散。我一般会先跑一遍数据检查脚本，看看角点检测的稳定性。
4.3.2 Livox_Calibration：专为 Livox 激光雷达设计
如果你用的是 Livox 系列的激光雷达（比如 Horizon、Mid-40），那 Livox_Calibration 是首选。它由 Livox 官方维护，专门针对 Livox 的非重复扫描特性做了优化。
它的标定思路和 Kalibr 不太一样：利用点云中的平面特征和图像中的边缘特征进行配准。说白了，就是找点云里的平面和图像里的边缘线，让它们对齐。
# Livox_Calibration 使用示例
roslaunch livox_camera_calib calib.launch \
camera_topic:=/camera/image_raw \
lidar_topic:=/livox/lidar \
chessboard_size:=0.108 \
chessboard_corner_x:=11 \
chessboard_corner_y:=8
我的经验：Livox_Calibration 对棋盘格的摆放角度很敏感。我试过把标定板倾斜 30 度左右，点云里的平面特征最明显，标定结果也最稳定。另外，它支持实时标定，你可以一边移动标定板一边看投影效果，非常直观。
4.4 标定结果验证：别信参数，信眼睛
标定完事后，一定要做验证。我习惯用两种方法：
- 重投影误差检查：把点云投影到图像上，看边缘是否对齐。误差在 2-3 个像素以内算合格。
- 距离验证：在 5m、10m、20m 处放置目标物，看投影位置是否准确。
我记得有一次标定结果重投影误差只有 1.2 像素，但实际跑起来就是偏。后来发现是 Lidar 的安装支架有微小的热变形——白天和晚上的温度差导致支架弯曲了 0.1 度。所以我现在做量产项目，都会在标定后加一个「温度补偿」环节。
总结一下标定的关键点：
- 内参标定是基础，一定要做扎实
- 联合标定需要好的特征对应，标定板是关键
- 工具选型看传感器类型：Kalibr 通用性强，Livox_Calibration 专为 Livox 优化
- 标定完成后必须做实际场景验证
好了，以上就是传感器标定的核心内容。内参标定是基础，联合标定是关键，工具选型看场景。我个人建议：标定这件事，宁可多花一天时间做验证，也不要省那半小时——因为后面所有的感知算法，都建立在这套参数之上。
可可精品资料库