3. 传感器标定基础
传感器标定，说白了就是给车装上「眼睛」之后，还得教会它怎么看世界。我刚开始做感知时，总觉得标定是件小事，结果有一次路测发现障碍物位置总是偏了30厘米，排查了三天——最后发现是外参矩阵里一个符号写反了。嗯，从那以后我再也不敢轻视标定了。
3.1 内参标定：Camera
相机内参标定，核心是求解从三维世界到二维像素的映射关系。这个映射由两部分组成：内参矩阵和畸变系数。
内参矩阵长这样：
K = [fx 0 cx]
[ 0 fy cy]
[ 0 0 1]其中 fx、fy 是焦距（单位像素），cx、cy 是主点偏移。畸变系数则包括径向畸变（k1, k2, k3）和切向畸变（p1, p2）。
我个人习惯用棋盘格标定板，OpenCV 的 cv2.calibrateCamera() 函数就能搞定。流程很简单：
- 拍摄20-30张不同角度的棋盘格图像
- 提取角点坐标
- 调用标定函数
- 检查重投影误差（一般小于0.5像素就算合格）
3.2 内参标定：Lidar
激光雷达的内参标定，其实比相机简单得多。LiDAR 的内参主要包括：
- 激光发射器与接收器的对准偏差
- 每个激光通道的俯仰角、水平角偏移
- 距离测量误差（offset 和 scale）
大多数工业级 LiDAR（如 Velodyne、Hesai、RoboSense）出厂时已经标定好了。但如果你用的是自研 LiDAR 或者拆机维修过，就需要重新标定。
标定方法通常是在暗室中放置已知距离的平面靶标，采集点云后拟合平面，反算每个激光通道的偏差。我记得有一次帮客户调试一台16线雷达，发现第8线到第12线的点云总是「飘」的，最后排查出来是发射器透镜上有灰尘——擦干净就好了。
3.3 外参标定：Camera-LiDAR 联合标定
这是标定中最关键也最头疼的一步。Camera 和 LiDAR 各自有坐标系，我们需要求解一个 4×4 的刚体变换矩阵，把 LiDAR 点云投影到相机图像上。
变换关系：
P_cam = R * P_lidar + T其中 R 是旋转矩阵（3×3），T 是平移向量（3×1）。
常用的标定方法有两种：
| 方法 | 原理 | 精度 | 难度 |
|---|---|---|---|
| 靶标法 | 使用特制标定板，同时被相机和 LiDAR 观测 | 高（0.1° 级别） | 中等 |
| 自然场景法 | 利用场景中的边缘、角点等特征自动匹配 | 中等（0.5° 级别） | 低 |
我个人更推荐靶标法。虽然准备标定板麻烦一点，但精度有保障。我曾经在项目里偷懒用了自然场景法，结果雨天场景下匹配失败，导致融合模块直接崩了——教训深刻。
3.4 标定板设计
标定板是联合标定的核心工具。一个好的标定板需要满足：
- 相机可见：有高对比度的图案（棋盘格、圆点阵）
- LiDAR 可见：表面有高反射率区域，或者使用特殊材料（如反光贴纸）
- 尺寸合适：太大不好操作，太小点云稀疏
我常用的设计是：在黑色亚克力板上贴白色棋盘格，棋盘格四周加一圈反光条。这样相机能看到棋盘格角点，LiDAR 能检测到反光条边缘。
3.5 标定工具使用
市面上成熟的标定工具有不少，我挑几个常用的说说：
3.5.1 Autoware 标定工具
开源、免费，支持 Camera-LiDAR 联合标定。操作流程：
- 录制一段包含标定板的 rosbag
- 运行
calibration_camera_lidar节点 - 手动选取图像中的标定板角点
- 自动优化外参
3.5.2 百度 Apollo 标定工具
功能更全，支持多传感器联合标定。我印象最深的是它的可视化界面，能实时看到点云投影到图像上的效果，方便调试。
3.5.3 自研脚本
有时候现成工具不够灵活，我会自己写 Python 脚本。核心步骤：
# 伪代码示例
def calibrate_camera_lidar(corners_img, corners_lidar):
# 1. 构建对应点对
# 2. 使用 PnP 算法求解初始外参
# 3. 使用非线性优化（如 Levenberg-Marquardt）精调
# 4. 计算重投影误差
return R, T3.6 标定质量评估
标定完了，怎么知道好不好？我一般看三个指标：
- 重投影误差：点云投影到图像上，与真实像素位置的偏差。小于 2 像素算合格。
- 距离误差：在已知距离处放置物体，测量 LiDAR 点云与相机估计的距离差。小于 5 cm 算优秀。
- 可视化检查：把点云投影到图像上，看边缘是否对齐。这是最直观的方法。
嗯，这里要注意：标定不是一劳永逸的。车辆行驶中的振动、温度变化都会导致外参漂移。我建议每 3-6 个月重新标定一次，或者在每次大修后必须标定。
3.7 本章知识体系
下面这张图总结了传感器标定的核心流程和关键点：
标定这件事，说难不难，说简单也不简单。关键是要理解每个参数背后的物理意义，以及它们对最终感知结果的影响。我见过太多团队在标定上省功夫，结果融合效果一塌糊涂——标定省下的时间，最后都要在调试里加倍还回去。
好了，这一章就到这里。标定是感知融合的基石，打好基础，后面的路才好走。