4. 多传感器标定
多传感器融合定位系统的精度上限，往往不取决于性能最强的单一传感器，而取决于传感器之间空间与时间对齐的准确性。外参标定（Extrinsic Calibration）解决的是“传感器A坐标系下的点，如何变换到传感器B坐标系下”的问题；时间同步（Temporal Synchronization）则解决“两个传感器采集同一物理事件的时刻是否对齐”的问题。本章围绕LiDAR-IMU、Camera-IMU、LiDAR-Camera三组核心外参标定展开，并介绍联合标定工具链的选型与工程落地要点。
4.1 LiDAR-IMU外参标定：从手眼标定到连续时间优化
核心原理
LiDAR-IMU外参标定求解的是从IMU坐标系到LiDAR坐标系的刚体变换 T_LI（包含旋转R_LI和平移t_LI）。其物理意义是：当IMU测得角速度与加速度时，如何将这些惯性量投影到LiDAR坐标系下，用于点云去畸变或状态预测。工程上最常用的方法是手眼标定（Hand-Eye Calibration）的变体：利用传感器运动过程中的旋转约束和平移约束，构建AX=XB形式的方程。其中A为LiDAR帧间运动，B为IMU帧间运动，X即为待求外参。
然而，纯手眼标定对运动激励要求较高，且容易受LiDAR帧间配准误差影响。更稳健的做法是采用连续时间B样条轨迹表示，将IMU高频测量与LiDAR低频点云在统一的时间基下联合优化，同时估计外参与轨迹。这种方法能自然处理时间偏移（time offset）问题，是当前学术与工业界的主流方案。
标定流程与操作要点
- 数据采集：将传感器刚性固定，进行充分激励运动。建议包含绕三个轴的旋转（俯仰、横滚、偏航）以及平移加速段，避免匀速直线运动。采集时长建议60-120秒，IMU频率200Hz以上，LiDAR频率10Hz。
- 预处理：对LiDAR点云进行帧间配准（如ICP或NDT），得到帧间相对运动；对IMU数据进行零偏估计与积分。
- 初始外参估计：使用手眼标定法（如Eigen-Quaternion方法）获得初始旋转，再通过最小二乘求解平移。
- 联合优化：将外参、时间偏移、IMU零偏、轨迹B样条系数作为状态量，构建非线性最小二乘问题，使用Ceres或G2O求解。
- 验证：将标定后的外参用于点云去畸变，观察点云中墙面、地面是否清晰锐利；或对比IMU积分轨迹与LiDAR里程计轨迹的重合度。
案例拆解：AGV平台LiDAR-IMU标定实战
某室内AGV搭载16线LiDAR（10Hz）与工业级IMU（200Hz，陀螺仪零偏稳定性5°/h）。初始标定采用手眼标定法，但发现点云去畸变后地面点云厚度达15cm，明显异常。分析原因：AGV运动以平移为主，旋转激励不足，导致手眼标定旋转部分病态。
解决过程：
- 重新设计采集轨迹：加入“8”字绕行、原地旋转、急加速/急减速段，确保三轴角速度激励充分。
- 改用lidar_align工具（基于连续时间B样条），同时估计外参与时间偏移。
- 标定结果：旋转误差从0.8°降至0.06°，平移误差从5cm降至1.2cm。
- 验证：点云去畸变后地面厚度降至3cm以内，建图精度显著提升。
复盘经验：手眼标定适合作为初值，但复杂运动平台必须使用连续时间优化；时间偏移（通常为几毫秒到几十毫秒）不可忽略，尤其在LiDAR频率较低时。
4.2 相机-IMU标定：Kalibr工具链与内参外参联合优化
核心原理
相机-IMU标定求解的是IMU坐标系到相机坐标系的变换T_CI，同时需要估计相机内参（焦距、主点、畸变系数）以及IMU零偏。其核心思想是利用相机观测到的标定板角点作为视觉约束，IMU积分作为惯性约束，在滑动窗口内进行联合优化（BA）。Kalibr是这一领域的事实标准工具，它采用B样条参数化IMU轨迹，能够同时估计：相机内参、相机-IMU外参、时间偏移、IMU零偏以及重力方向。
标定流程与质量判断
| 步骤 | 操作内容 | 质量指标 |
|---|---|---|
| 1. IMU噪声分析 | 使用imu_utils对IMU静止数据做Allan方差分析 | 角度随机游走 < 0.5°/√h，零偏不稳定性 < 10°/h |
| 2. 相机内参标定 | 使用Kalibr或OpenCV拍摄棋盘格/AprilGrid | 重投影误差 < 0.5 pixel |
| 3. 联合标定 | 采集IMU+图像数据，运行Kalibr联合优化 | 重投影误差 < 1 pixel，IMU残差收敛 |
| 4. 验证 | 将标定结果用于VIO初始化，观察轨迹漂移 | 1分钟VIO漂移 < 2% 距离 |
案例拆解：手持设备Camera-IMU标定失败排查
某视觉惯性模组使用OV9282全局快门相机（30fps）与BMI160 IMU（400Hz）。Kalibr标定结果重投影误差高达3.5px，且外参平移分量在多次标定中波动超过3cm。
排查过程：
- 检查图像时间戳：发现相机驱动使用系统时间，而IMU使用传感器内部时钟，两者存在约20ms的随机抖动。
- 检查标定板：使用A4纸打印的棋盘格，平整度不足导致角点提取误差。
- 解决方案：改用玻璃基板陶瓷棋盘格；在驱动层统一使用硬件PPS同步时间戳。
- 结果：重投影误差降至0.4px，外参平移波动小于5mm。
4.3 LiDAR-相机标定：从目标板到无目标互信息法
核心原理
LiDAR-相机标定求解的是相机坐标系到LiDAR坐标系的变换T_CL。由于LiDAR提供稀疏3D点，相机提供稠密2D像素，两者数据模态差异大，标定难度高于前两者。主流方法分为三类：基于标定板（提取点云中的平面边缘与图像中的棋盘格角点对应）、基于互信息（最大化点云深度图与图像边缘的互信息）、基于深度学习（端到端回归外参）。工程中最常用的是基于标定板的方法，如Autoware提供的标定工具。
操作流程与数据要求
- 标定板准备：使用黑白棋盘格（建议7x6或更大），板面平整且具有高反射率，便于LiDAR点云中识别。
- 数据采集：在不同距离（2-8m）、不同角度（±30°）下采集10-20组同步数据。确保标定板在图像中占比超过20%，且在点云中至少形成20个以上有效点。
- 特征提取：图像中提取棋盘格角点；点云中提取标定板平面，并计算平面法向量与边界。
- 位姿求解：利用PnP（Perspective-n-Point）或EPnP求解外参，再通过非线性优化最小化重投影误差。
- 验证：将点云投影到图像上，观察物体边缘是否对齐；或计算深度图与图像边缘的重合度。
常见误区与工程建议
- 误区一：使用室内小标定板标定室外大场景。建议根据LiDAR线束密度选择标定板尺寸，16线LiDAR建议使用1m×1m以上标定板。
- 误区二：忽略LiDAR与相机的时间同步。若两者时间偏移超过20ms，在车辆行驶时会产生明显的投影错位。
- 误区三：仅使用单帧数据标定。应使用多帧数据联合优化，降低单帧噪声影响。
4.4 联合标定工具链与工程选型
工具对比与选型策略
| 工具名称 | 支持传感器 | 核心方法 | 适用场景 | 开源状态 |
|---|---|---|---|---|
| lidar_align | LiDAR + IMU | 连续时间B样条 | 高精度外参标定 | 开源（ROS） |
| Kalibr | Camera + IMU | B样条 + BA | 视觉惯性标定 | 开源（ROS） |
| Autoware Calibration | LiDAR + Camera | 棋盘格 + PnP | 自动驾驶车辆 | 开源 |
| Direct LiDAR-Camera | LiDAR + Camera | 互信息优化 | 无标定板场景 | 开源 |
| 联合标定（自研） | LiDAR + IMU + Camera | 多传感器BA | 高精度融合定位 | 商业/自研 |
联合标定实施框架
在实际工程中，建议采用分步标定+联合精化的策略：
- 第一步：分别标定Camera内参（Kalibr）、IMU噪声特性（Allan方差）。
- 第二步：标定Camera-IMU外参（Kalibr），获得T_CI。
- 第三步：标定LiDAR-IMU外参（lidar_align），获得T_LI。
- 第四步：推导LiDAR-Camera外参：T_CL = T_CI * T_LI-1，作为初值。
- 第五步：使用LiDAR-Camera标定工具精化T_CL，或直接进行三传感器联合BA。
- 使用Kalibr标定每个相机内参与Camera-IMU外参，重投影误差均<0.3px。
- 使用lidar_align标定LiDAR-IMU外参，旋转误差0.03°，平移误差1.5cm。
- 推导LiDAR-Camera初值后，使用Autoware工具在标定间内采集20组数据精化。
- 最终验证：将点云投影到图像，远处建筑物边缘对齐误差<2像素（50m处对应约10cm）。
案例拆解：自动驾驶车辆联合标定全流程
某L4级自动驾驶项目配备64线LiDAR、6个相机、2个IMU。要求LiDAR-Camera外参精度旋转<0.05°，平移<2cm。
实施过程：
复盘经验：联合标定并非一次性工作。车辆运行一段时间后，由于振动、温度变化，外参可能发生微小漂移。建议建立在线标定监测机制，利用SLAM过程中的残差实时检测外参退化，必要时触发重新标定。