1. 课程导论与外参标定基础
1.1 什么是激光雷达外参
大家好，我是你们这门课的主讲。先问个问题：你拿到一个激光雷达，装到车上，它就能直接用了吗？
答案是否定的。
激光雷达本身能测距离、能生成点云，但它不知道自己在世界坐标系里的位置和姿态。它只知道「我扫描到的那个点，相对于我自己的坐标系，在哪个方向、多远」。但车上的其他传感器——比如摄像头、IMU、GPS——它们也有自己的坐标系。
外参，就是描述激光雷达坐标系与其他坐标系之间相对位置和旋转关系的参数。
说白了，外参就是一组数字：
- 三个平移量：x、y、z（单位米）
- 三个旋转量：roll、pitch、yaw（单位弧度或度）
这六个自由度，决定了激光雷达在空间中的「站位」和「朝向」。
核心概念：外参标定，就是找到这六个参数的最优值。
我个人习惯把外参分成两类：
- 雷达到车体（Vehicle）的外参：雷达装在车上，车体坐标系通常以后轴中心为原点。这个外参告诉你雷达在车上的安装位置和角度。
- 雷达到其他传感器（如Camera）的外参：多传感器融合时，需要把点云投影到图像上，或者把图像特征映射到点云里。这个外参就是桥梁。
嗯，这里要注意：很多初学者会把「外参」和「内参」搞混。内参是雷达自身的参数，比如激光发射器的角度分辨率、扫描线数、视场角等。外参是雷达跟外界的关系。两者完全不同。
1.2 为什么需要标定
你想想看，一辆自动驾驶汽车上，激光雷达、摄像头、毫米波雷达各装各的。它们看到的都是同一个物理世界，但因为安装位置不同，看到的角度、距离都不一样。
如果不标定，会发生什么？
- 点云投影到图像上，偏差十几个像素——融合算法直接崩溃
- 障碍物在雷达坐标系里是（10米，0度），在摄像头坐标系里却是（9.5米，2度）——目标关联失败
- 建图时，不同时刻的点云叠加不到一起——地图精度惨不忍睹
标定的核心目的，就是让所有传感器「说同一种语言」。
我在项目中遇到过一件事：某次路测，车辆在高速上正常行驶，突然急刹车。排查了一整天，最后发现是激光雷达和IMU的外参偏了0.3度。就这0.3度，导致融合模块把路边的护栏误判成了车道内的障碍物。
0.3度，在100米外就是0.5米的偏差。你说要不要标定？
避坑指南：我曾经见过一个团队，外参标定做完后直接用了半年没管。结果车辆经过一次剧烈颠簸后，雷达支架发生了微小形变，外参变了。他们没发现，后续所有数据都带着这个误差。所以标定不是一劳永逸的，需要定期校验。
1.3 标定的核心目标
标定到底要达成什么？我总结为三个层次：
- 精度达标：外参误差在可接受范围内。对于L4级自动驾驶，旋转误差通常要求小于0.1度，平移误差小于2厘米。
- 鲁棒性强：在不同场景（室内、室外、不同光照、不同路面）下都能标定出稳定结果。不能换个地方就标出不同的值。
- 可复现：同一辆车，同一套设备，今天标和明天标，结果应该基本一致。
说白了，标定的目标就是让外参「准、稳、一致」。
1.4 评价指标
怎么判断标定得好不好？不能光靠感觉。我们需要量化指标。
| 指标名称 | 含义 | 典型要求 |
|---|---|---|
| 重投影误差 | 点云投影到图像后，与图像特征点的像素偏差 | < 2 pixel |
| 点云配准残差 | 不同时刻点云配准后的平均距离误差 | < 0.05 m |
| 角度误差 | 标定值与真值之间的旋转偏差 | < 0.1° |
| 平移误差 | 标定值与真值之间的位置偏差 | < 0.02 m |
| 重复性 | 多次标定结果的标准差 | < 0.05° / < 0.01 m |
我个人最看重的是重投影误差。为什么？因为它直接反映了激光雷达和摄像头之间的对齐质量。你标定完，把点云投到图像上，如果边缘对齐得严丝合缝，那基本就稳了。
但要注意：重投影误差小，不代表外参一定准。有可能你过拟合了某个特定场景。所以还需要结合其他指标综合判断。
小技巧：我习惯在标定完成后，做一个「交叉验证」——用标定好的外参去投影一组全新的数据（不是标定用的那组），看看误差是否还在容忍范围内。如果偏差突然变大，说明标定结果可能过拟合了。
1.5 本章知识体系
为了让你更直观地理解本章内容的结构，我画了一张图：
这张图把本章的核心逻辑串起来了：从外参的定义出发，理解为什么需要标定，明确标定的目标，最后用具体的评价指标来量化标定结果的好坏。后面的课程，我们会一步步深入每个环节。
好了，第一章就到这里。记住：外参标定是传感器融合的基石。地基没打好，上面盖的房子再漂亮也是危房。