1. 课程导入
在智能驾驶、机器人、工业测量与高端传感系统中，算法能否稳定工作，往往不只取决于模型本身，而更取决于传感器、执行器与整车/整机之间那组“看不见的参数”。在线标定与自标定，正是让这些参数在真实运行环境中持续保持正确、可信、可交付的关键工程能力。本课程围绕“从实验室能跑，到量产可靠”的主线，系统讲解在线标定与自标定的原理、方法、工具链、验证体系与量产落地路径。
一、什么是标定、在线标定与自标定
标定（Calibration）的本质，是建立物理量与系统输出之间的确定映射关系。例如相机内参描述像素坐标与归一化成像平面之间的关系，外参描述相机与IMU、雷达、车体坐标系之间的空间变换，时间延迟描述不同传感器采样时刻的偏差，执行器标定则描述控制指令与实际输出之间的增益和偏置。
传统标定通常在实验室或产线完成，依赖专用靶标、工装和稳定环境，称为离线标定。它的优点是精度高、可控性强，但缺点是难以覆盖车辆全生命周期中的变化：碰撞、更换挡风玻璃、轮胎磨损、载荷变化、温度漂移、悬挂老化，都会让原本准确的参数逐渐失配。
在线标定指系统在运行过程中，利用自然场景或常规驾驶数据，对部分参数进行估计、修正与监控。它不一定要求车辆进入标定间，而是让算法在真实数据流中持续判断“当前参数是否仍然可信”。
自标定则更进一步：系统不依赖人工触发和专用流程，而是通过自身观测之间的几何一致性、运动约束、语义特征或学习模型，自动完成参数估计与更新。在线标定强调“运行中可修正”，自标定强调“无需外部干预即可修正”。二者在量产工程中常常组合使用：自标定负责持续估计，在线标定负责策略调度、置信度管理与安全降级。
一句话理解：离线标定解决“出厂时准不准”，在线标定解决“用起来还准不准”，自标定解决“能不能自己一直保持准”。
二、量产工程中的核心价值
为什么在线标定与自标定在量产中如此重要？因为它直接关系到安全、成本、体验与可运维性。
- 安全冗余：当外参发生漂移时，感知融合、定位与规控都会受到连锁影响。在线监控与自标定能及时发现异常，触发告警或降级策略，避免系统在错误参数下继续运行。
- 降低售后成本：传统标定需要返店、进标定间、使用专业设备。自标定可让部分场景在用户日常行驶中完成恢复，显著减少售后工单与停机时间。
- 提升一致性：不同车辆、不同批次、不同工况下，传感器安装角度和轮胎半径存在离散性。在线估计能补偿个体差异，让同一套算法在更大范围内保持稳定表现。
- 支撑OTA与生命周期管理：车辆软件持续迭代，传感器可能更换，标定参数也需要版本化管理。在线标定让参数从“一次性写入”变为“可观测、可更新、可回滚”的运行时资产。
三、从信号到参数：一张图看清在线标定与自标定的位置
下面的SVG以信号链与数据流的方式，展示从传感器原始数据到参数估计、置信度判断、参数更新与安全降级的完整闭环。它帮助你在进入后续章节前，先建立“在线标定系统在整车架构中处于什么位置”的整体认知。
四、学习目标与整体课程框架
本课程不是单纯讲某一种算法，而是围绕“量产可交付”构建完整能力体系。学完本课程，你应当能够：
- 建立概念框架：清晰区分离线标定、在线标定、自标定、联合标定与参数监控的边界与联系。
- 掌握核心方法：理解基于滤波、优化、因子图、深度学习等在线估计方法的适用条件与工程取舍。
- 设计系统架构：能够规划在线标定模块在感知、定位、规控链路中的接口、触发条件、置信度管理与安全策略。
- 搭建工具链：掌握数据回放、仿真注入、参数注入、日志审计、灰度发布与回滚等量产工具能力。
- 完成验证与交付：能够设计标定精度、收敛速度、鲁棒性、故障注入与量产验收测试方案。
整体课程框架分为六个阶段，如下表所示：
| 阶段 | 主题 | 核心问题 | 产出能力 |
|---|---|---|---|
| 第一阶段 | 基础与定义 | 标定是什么？在线与自标定解决什么问题？ | 建立统一术语与工程视角 |
| 第二阶段 | 传感器与参数模型 | 相机、IMU、雷达、轮速、时延如何建模？ | 能写出参数化观测方程 |
| 第三阶段 | 在线估计方法 | 滤波、优化、因子图、学习法如何选？ | 能设计估计器与收敛判据 |
| 第四阶段 | 系统架构与工程化 | 如何嵌入量产软件？如何管理触发与降级？ | 能输出架构设计与接口规范 |
| 第五阶段 | 工具链与数据闭环 | 如何回放、仿真、注入、审计、灰度？ | 能搭建标定工具链与数据流水线 |
| 第六阶段 | 验证、量产与复盘 | 如何验收？如何排障？如何持续迭代？ | 能完成量产交付与问题闭环 |
五、典型场景与常见误区
典型场景：车辆在行驶数万公里后，前视相机因轻微碰撞或更换挡风玻璃导致俯仰角变化。离线标定无法及时覆盖，但自标定模块通过车道线消失点与路面平行假设，持续估计俯仰角残差；在线标定策略判断激励充分、残差收敛后，将更新后的外参写入运行时参数区，并记录版本与置信度。若置信度不足，则保持原参数并上报DTC，提醒用户进店检查。
常见误区一：把在线标定当成“随时都在更新”。实际上，参数更新必须满足可观测性与激励条件，否则容易把噪声当成真实漂移，导致参数震荡。
常见误区二：只关注估计精度，忽略安全降级。量产系统中，“估不准时怎么办”比“估得准”更重要。
常见误区三：缺少版本管理与审计。参数一旦被静默修改，问题复现和根因定位会变得极其困难。
学习建议：每学完一个方法，都问自己三个问题：它在什么工况下可观测？它的计算资源是否满足量产平台？它出错时系统如何兜底？带着这三个问题进入后续章节，你会更快建立工程判断力。
在线标定与自标定不是单点算法，而是一套贯穿传感器建模、状态估计、软件架构、数据闭环与安全设计的系统工程能力。接下来的课程将沿着“定义—建模—估计—架构—工具—验证—量产”的主线逐步展开，帮助你把这项能力真正落到可交付的量产项目中。