1. 课程导论

大家好，欢迎来到这门实战课。

我是你们这门课的主讲。在机器人行业摸爬滚打了十几年，从最早的轮式机器人，到后来的自动驾驶、四足机器人，我踩过的坑，可能比你们走过的路还多（笑）。今天咱们聊的，是几乎所有多传感器融合系统里，最基础、也最要命的一步——LiDAR和IMU的外参标定。

一、为什么非得做这件事？

先问大家一个问题：你手头有一个激光雷达，一个IMU。你把他们装在一个架子上，拧紧螺丝。然后你问自己：这两个传感器之间的相对位置和姿态，我到底知道得有多准？

嗯，这里要注意。你拧螺丝的精度，可能连0.5度都保证不了。更别提安装支架的形变、加工公差了。我见过太多团队，算法调得天花乱坠，最后发现是外参偏了那么一点点，整个系统就崩了。

说白了，外参标定就是给两个传感器“牵红线”。 你得精确知道：激光雷达看到的那个墙角，在IMU的坐标系里，到底在哪个方向、多远距离。

我在项目中遇到过最典型的一个案例：一台AGV小车，在室内跑得好好的，一出门遇到阳光，激光匹配开始飘。IMU本来应该出来救场，结果因为外参标定差了2度，IMU的数据非但没帮上忙，反而把位姿推得更歪。最后车子直接撞墙了。从那以后，我定了一条铁律：任何多传感器系统，先标外参，再谈算法。

二、标定的核心目标是什么？

目标其实很简单，就一句话：求出一个刚体变换矩阵 T。

这个T，描述了LiDAR坐标系到IMU坐标系的旋转和平移。你想想看，激光雷达扫到一个点 p_L，这个点在IMU坐标系下的坐标 p_I，就是 T * p_L。

具体来说，我们要解的是两个部分：

• 旋转（Rotation）： 3个自由度，也就是横滚、俯仰、偏航角。这玩意儿最难标，也最敏感。我个人的习惯是，先用初始化方法给一个粗值，再用优化算法精调。
• 平移（Translation）： 3个自由度，就是X、Y、Z方向的偏移。这个相对好办，但也不能忽视。尤其是当LiDAR和IMU安装距离较远时，平移误差会带来明显的运动畸变。

三、数学本质：一个非线性最小二乘问题

好了，咱们来点硬核的。标定的数学本质，其实就是一个非线性最小二乘问题。

为什么是非线性？因为旋转矩阵本身是正交矩阵，它属于SO(3)群，不是简单的线性空间。你没法直接用线性代数去解。

我们通常构建的误差函数长这样：

min Σ || z_ij - h(x_i, x_j, T) ||^2

其中：

• z_ij 是观测值，比如激光雷达匹配得到的相对位姿，或者IMU预积分得到的相对位姿。
• h(·) 是预测模型，它把状态量（位姿、外参）映射到观测空间。
• T 就是我们要标定的外参。

说白了，我们就是在找一组外参T，让所有观测值和预测值之间的误差总和最小。

这里我多说一句。很多初学者喜欢用闭式解法，觉得快。但实际工程中，迭代优化才是王道。因为传感器噪声、数据关联错误，都会让闭式解变得极不稳定。我建议你们直接用高斯-牛顿法或者LM算法，虽然慢一点，但鲁棒性高得多。

四、一张图看懂整个标定流程

为了让大家有个全局观，我画了一张流程图。你可以把它当作这门课的地图。

这张图里，我特意把“初始化”和“联合优化”分开了。为什么？因为初始化决定了优化的起点。起点太差，优化很容易掉进局部最优。我见过有人直接用单位矩阵初始化，结果优化半天不收敛。记住：好的初始化，是成功标定的一半。

五、标定到底有多重要？

我直接给你一个结论：外参标定的精度，直接决定了多传感器融合系统的上限。

你想想看，如果你的外参误差是1度，那么在10米远的物体上，位置误差就是17厘米。这对于建图或者定位来说，几乎是不可接受的。更可怕的是，这种误差是系统性的，它会一直累积，不会因为滤波而消失。

好了，这一章的内容就到这里。我们理清了为什么要做标定，标定的目标是什么，以及它的数学本质。从下一章开始，我们会一步步动手，从数据采集到最终标定完成。准备好了吗？

可可精品资料库