2. 坐标系基础

做BEV感知，说白了就是要把不同传感器看到的东西，统一到同一个空间里说话。这个空间，就是咱们常说的“鸟瞰图”。但传感器各自有各自的“小世界”——相机有相机的坐标系，车辆有车辆的坐标系。怎么把这些小世界串起来？这就是坐标系转换要干的事。

我刚开始接触自动驾驶时，被这五个坐标系绕得晕头转向。后来在项目里踩了几次坑，才真正搞明白。今天咱们就把这五个坐标系的关系彻底捋清楚。

五个坐标系，各自是什么？

先给个全景图。这五个坐标系，从大到小，从抽象到具体，分别是：

• 世界坐标系：全局的、固定的参考系。比如以某个路口中心为原点，东、北、天为轴。所有物体在真实世界的位置，都用它来描述。
• 车辆坐标系：跟着车走的坐标系。原点一般在车辆后轴中心，x轴朝前，y轴朝左，z轴朝上。车一动，这个坐标系就跟着动。
• 相机坐标系：以相机光心为原点，z轴沿着光轴朝前，x轴朝右，y轴朝下。这是相机“看”世界的视角。
• 图像坐标系：在成像平面上，以光轴与平面的交点为原点，x轴朝右，y轴朝下。单位是毫米。
• 像素坐标系：就是我们最终看到的图像，原点在左上角，u轴朝右，v轴朝下。单位是像素。

转换关系：一步步来

这五个坐标系之间的转换，其实是一条链。我习惯把它拆成三步走：

1. 世界 → 车辆：刚体变换（旋转+平移）
2. 车辆 → 相机：刚体变换（外参）
3. 相机 → 图像 → 像素：透视投影 + 数字化（内参）

你想想看，这不就是“从全局定位到局部感知，再到图像生成”的过程吗？

1. 世界坐标系 → 车辆坐标系

这一步，说白了就是知道车在世界中的位置和姿态。车的位置用平移向量 t 表示，姿态用旋转矩阵 R 表示。公式很简单：

P_vehicle = R * P_world + t

其中 P_world 是某点在世界坐标系下的坐标，P_vehicle 是它在车辆坐标系下的坐标。

2. 车辆坐标系 → 相机坐标系

这一步就是外参标定要干的事。相机安装在车上，它相对于车辆有一个固定的位置和朝向。这个关系用外参矩阵 [R | t] 表示：

P_camera = R_veh2cam * P_vehicle + t_veh2cam

这里的 R_veh2cam 和 t_veh2cam 就是我们要标定的外参。它们描述了相机在车辆坐标系下的位姿。

3. 相机坐标系 → 图像坐标系

这一步是透视投影。相机坐标系下的一个点 (X, Y, Z)，投影到成像平面上，得到图像坐标 (x, y)：

x = f * X / Z
y = f * Y / Z

其中 f 是焦距。这里有个关键点：Z 不能为0。如果物体正好在相机光心后面，那它在图像上就看不到。

4. 图像坐标系 → 像素坐标系

最后一步，把物理尺寸（毫米）转换成像素。这一步涉及两个参数：

• dx, dy：每个像素在x和y方向上的物理尺寸（毫米/像素）
• u0, v0：图像坐标系原点在像素坐标系中的位置（主点偏移）

转换公式：

u = x / dx + u0
v = y / dy + v0

把前面几步合起来，就得到了从世界坐标系到像素坐标系的完整投影公式。这就是我们常说的“相机模型”。

完整转换链：一张图说清楚

下面这张图，我把整个转换链画出来了。你可以把它当作坐标系转换的“地图”，每次做投影时对照着看，不容易出错。

实际项目中的坑与技巧

理论说完了，聊聊实战。我在做BEV感知时，坐标系转换这块踩过不少坑，分享几个典型的：

# 齐次坐标示例
def transform_point(point, matrix):
    # point: [x, y, z, 1]
    # matrix: 4x4 变换矩阵
    result = matrix @ point
    return result[:3] / result[3]

总结一下

坐标系转换是BEV感知的基石。你想想看，如果连相机看到的东西在车什么位置都搞不清楚，那后面的融合、预测、规划全都会乱套。

我个人习惯把转换链记在脑子里：世界→车辆→相机→图像→像素。每一步都有明确的物理意义和数学表达。遇到问题时，就沿着这条链一步步排查，总能找到问题出在哪。

嗯，今天就聊到这。坐标系这块内容不难，但细节很多。建议你动手写代码实现一遍，把每个转换矩阵都打印出来看看，感受一下数值的变化。这样印象会深很多。