2. 外参标定基础

大家好，欢迎来到第二讲。

上一讲我们聊了多传感器融合为什么容易飘，说白了就是传感器各自为政，谁也不服谁。那怎么让它们「对齐」呢？这就得靠外参了。

我个人习惯把外参比作「翻译官」。激光雷达说「前方3米有障碍」，相机说「图像右下角有个物体」，IMU说「我感受到的加速度是这样的」——它们说的都是真话，但用的坐标系不一样。外参就是那个能把一种语言翻译成另一种语言的工具。

2.1 什么是外参？

外参，全称是「外部参数」。它描述的是两个传感器坐标系之间的相对位置和姿态关系。

举个例子：你的车上装了一个激光雷达和一个相机。激光雷达有自己的坐标系（L系），相机也有自己的坐标系（C系）。外参就是告诉你：从L系到C系，需要怎么旋转、怎么平移。

我遇到过不少新手，把内参和外参搞混。内参是传感器自身的属性，比如相机的焦距、畸变系数，这些出厂就定了。外参是传感器之间的相对关系，装车之后才确定，而且一旦安装位置变了，外参就得重新标。

2.2 旋转矩阵：描述「转了多少」

先说说旋转。两个坐标系之间，通常不是完全对齐的。激光雷达可能朝前装，相机可能朝右偏了10度。这个「偏了多少」就是旋转关系。

旋转矩阵，用数学语言说，是一个3x3的正交矩阵。它的每一列代表一个坐标轴在另一个坐标系中的投影。

嗯，听起来有点绕。我换个说法：

你面前有个立方体，你把它绕X轴转30度。原来在(1,0,0)位置的点，转完之后去了哪里？旋转矩阵就是干这个的——它告诉你每个点的新坐标。

// 绕Z轴旋转θ角的旋转矩阵
R_z(θ) = [
  [cosθ, -sinθ, 0],
  [sinθ,  cosθ, 0],
  [0,      0,    1]
]

我在项目中遇到过一个问题：旋转矩阵有9个元素，但实际自由度只有3个（绕X、Y、Z轴各转多少）。所以直接用9个参数去优化，很容易过参数化，导致标定结果不稳定。后来我改用四元数或者轴角表示，就好多了。这个后面会细讲。

2.3 平移向量：描述「挪了多少」

旋转搞定了，接下来是平移。两个传感器的安装位置不可能完全重合，激光雷达在车顶，相机在前挡风玻璃后面，IMU在底盘——它们之间有个物理距离。

平移向量就是一个3x1的向量，表示从一个坐标系原点到另一个坐标系原点的偏移量。单位通常是米。

比如：t = [0.5, 0.0, 0.3]^T 表示在X方向偏移了0.5米，Z方向偏移了0.3米。

你想想看，如果旋转矩阵搞错了，点云投影到图像上会「转圈」；如果平移向量搞错了，点云会「整体偏移」。两者都会导致融合结果不准。

2.4 齐次坐标变换：把旋转和平移打包

旋转矩阵R和平移向量t，单独用着没问题。但实际计算中，我们经常需要连续变换：从激光雷达到IMU，再从IMU到车身，最后到世界坐标系。

如果每次都先旋转再平移，写起来很麻烦。于是就有了齐次坐标变换矩阵。

说白了，就是把3x3的旋转矩阵和3x1的平移向量，拼成一个4x4的矩阵：

T = [
  [R(0,0), R(0,1), R(0,2), t(0)],
  [R(1,0), R(1,1), R(1,2), t(1)],
  [R(2,0), R(2,1), R(2,2), t(2)],
  [0,      0,      0,      1   ]
]

同时，把三维点 [x, y, z]^T 扩展成齐次坐标 [x, y, z, 1]^T。这样，一次矩阵乘法就完成了旋转+平移。

为什么最后一行是 [0,0,0,1]？这是为了保持变换的线性性质。如果你做两次变换，直接把两个4x4矩阵乘起来就行，非常方便。

我曾经在调试一个多传感器融合系统时，发现点云和图像总是对不上。查了两天，最后发现是齐次变换矩阵的最后一列写错了——平移向量的顺序搞反了。嗯，这种低级错误，犯过一次就再也不会犯了。

2.5 知识体系总览

下面这张图，把这一讲的核心逻辑串起来了：

2.6 实际应用中的注意事项

讲完了理论，说点实战中容易踩的坑。

第一，旋转矩阵的数值稳定性。直接用9个参数去优化，很容易出现非正交矩阵（也就是不再是合法的旋转矩阵）。我建议用四元数或者轴角做优化，最后再转成旋转矩阵。

第二，平移向量的参考点。不同传感器的原点定义可能不同。比如相机的原点在光心，激光雷达的原点在扫描中心。标定前一定要搞清楚每个传感器的坐标系定义。

第三，齐次变换的链式法则。如果你有3个传感器，A到B的变换是T_AB，B到C的变换是T_BC，那么A到C的变换就是T_AC = T_AB * T_BC。注意乘法的顺序，先乘的离目标更近。