2. 传感器基础

高精地图构建的核心任务，是将物理世界的静态结构与动态状态转化为可供自动驾驶系统使用的语义化三维模型。这一转化过程的起点，并非算法或算力，而是对传感器原始数据的准确理解与建模。激光雷达、相机、惯性测量单元（IMU）以及GNSS/INS组合导航系统，各自以不同的物理原理感知世界，输出特性迥异，误差来源也截然不同。只有深入理解这些传感器的“脾气”，才能在标定阶段设计出合理的观测模型，并在融合阶段正确处理各传感器的不确定性。本章将逐一剖析这四类核心传感器，重点聚焦其工作原理、输出数据格式、误差特性以及在高精地图构建中的角色定位。

上图展示了高精地图构建中四类核心传感器与标定目标之间的逻辑关系。可以看到，每类传感器都有其独特的内参误差（传感器自身制造与物理限制导致）和外参误差（安装位置与姿态偏差导致）。标定的本质，就是通过特定的观测与优化方法，估计并补偿这些误差，使所有传感器能够在统一的时空坐标系下协同工作。下面我们逐一深入分析。

2.1 激光雷达：三维空间的直接测量者

核心原理与输出特性

激光雷达（LiDAR）通过发射激光束并测量其返回时间（ToF，Time of Flight）或调频连续波（FMCW）的频移，来计算目标点的距离。其核心输出是三维点云，每个点通常包含三维坐标（x, y, z）和反射强度值（i）。机械式激光雷达通过旋转电机带动激光收发模块进行360°扫描，固态激光雷达则通过光学相控阵或微振镜实现扫描。在高精地图构建中，激光雷达是生成厘米级精度地图几何结构的主力传感器。

点云数据的质量直接取决于测距精度和测角精度。以典型的64线机械式激光雷达为例，其测距精度通常在±2cm左右，垂直视场角约26.9°，水平分辨率可达0.2°。然而，点云在不同距离上的密度分布极不均匀——近处点云密集，远处稀疏。这种非均匀性对后续的特征提取和配准算法提出了特殊要求。

误差来源与标定关注点

激光雷达的误差主要分为三类：测距误差（由激光脉冲计时精度、大气折射、目标反射特性引起）、测角误差（由电机旋转编码器精度、扫描镜安装偏差引起）以及系统误差（如各线束之间的垂直角度偏差）。在标定过程中，我们通常需要建立激光雷达的“内参模型”，即每个激光发射器相对于雷达坐标系原点的俯仰角和方位角偏移。此外，激光雷达的“运动畸变”问题值得特别关注——在扫描过程中，车辆自身的运动会导致一帧点云内部各点的时间戳不一致，从而产生点云扭曲。这种畸变在车辆高速转弯时尤为明显，需要通过IMU数据或SLAM位姿进行运动补偿。

2.2 相机：高分辨率纹理与语义信息的提供者

核心原理与输出特性

相机通过镜头将三维世界投影到二维图像平面上，其核心是针孔成像模型。输出为规则的像素矩阵，每个像素包含亮度或颜色信息。与激光雷达的稀疏点云相比，相机图像具有极高的空间分辨率（通常为数百万像素），能够提供丰富的纹理、颜色和语义信息（如车道线颜色、交通标志内容）。在高精地图中，相机主要用于纹理映射、语义要素提取（如红绿灯、限速牌）以及车道线检测。

相机的内参包括焦距（fx, fy）、主点坐标（cx, cy）以及畸变系数（径向畸变k1, k2, k3和切向畸变p1, p2）。这些参数决定了三维点投影到图像平面的精确位置。相机的外参则描述了相机坐标系与车体坐标系之间的旋转和平移关系。值得注意的是，相机存在卷帘快门（Rolling Shutter）效应——图像不是瞬间曝光，而是逐行扫描曝光。在车辆高速运动时，这种效应会导致图像中的竖直物体发生倾斜变形，对视觉SLAM和特征匹配造成显著干扰。

误差来源与标定关注点

相机的误差来源包括：光学畸变（镜头制造工艺导致）、曝光误差（自动曝光导致图像亮度不一致）、时间同步误差（图像曝光时刻与IMU/GNSS时间戳不对齐）。在标定实践中，我们通常使用棋盘格或AprilTag进行内参标定，使用张正友标定法获取初始内参，再通过非线性优化细化。对于外参标定，则常利用激光雷达点云投影到图像上的边缘对齐程度作为优化目标。

2.3 IMU：高频运动状态的连续感知者

核心原理与输出特性

惯性测量单元（IMU）由三轴加速度计和三轴陀螺仪组成，分别测量物体在载体坐标系下的比力（Specific Force）和角速度。其输出频率通常较高（100Hz~1000Hz），能够提供连续、平滑的运动状态估计。IMU的核心优势在于短时高精度——在几十毫秒到几秒的时间窗口内，积分得到的相对位移和姿态变化非常准确。但IMU存在固有的积分漂移问题：加速度计零偏经过二次积分会随时间平方增长，陀螺仪零偏经过一次积分会随时间线性增长。

IMU的误差模型通常包括：零偏（Bias）、比例因子（Scale Factor）、交轴耦合（Cross-axis Coupling）以及随机游走噪声（Random Walk）。其中，零偏又分为固定零偏（Bias Instability）和随温度变化的零偏。在高精地图构建中，IMU主要用于两个关键任务：一是为激光雷达和相机提供高频运动补偿，消除点云和图像的畸变；二是在GNSS信号丢失时提供短时位姿预测，维持地图构建的连续性。

误差来源与标定关注点

IMU标定的核心是估计零偏、比例因子和交轴耦合矩阵。常用的标定方法是六位置静态标定法——将IMU分别静止在六个不同姿态下，利用重力向量作为参考，求解加速度计的零偏和比例因子。对于陀螺仪，则需要借助转台提供已知角速度输入。然而，车载IMU通常无法拆卸进行转台标定，因此工程上常采用“在线标定”策略：在车辆行驶过程中，利用GNSS/INS组合导航的反馈，实时估计IMU零偏。

2.4 GNSS/INS组合导航：位置与姿态的基准

核心原理与输出特性

GNSS（全球导航卫星系统）通过接收多颗卫星信号，利用伪距和载波相位测量值计算接收机的位置。单独使用GNSS时，定位精度受卫星几何分布（DOP值）、大气延迟、多路径效应等因素影响，标准单点定位精度约为米级，RTK（实时动态差分）技术可达厘米级。然而，GNSS输出频率低（通常1~10Hz），且在城市峡谷、隧道、地下车库等场景下信号易丢失或发生周跳。

INS（惯性导航系统）则完全自主，不依赖外部信号，输出频率高，短时精度高。GNSS/INS组合导航通过卡尔曼滤波或因子图优化，将GNSS的位置信息与INS的相对运动信息深度融合，实现优势互补。其输出通常包括：经纬度、海拔、三维速度、横滚角、俯仰角、航向角以及对应的协方差矩阵。在高精地图构建中，GNSS/INS提供的位姿轨迹是点云拼接和地图优化的“骨架”。

误差来源与标定关注点

GNSS/INS系统的误差来源较为复杂，主要包括：GNSS天线相位中心偏差（天线物理中心与电气中心的差异）、杆臂效应（GNSS天线与IMU中心之间的空间距离）、航向安装角（INS坐标系与车体坐标系之间的偏航角偏差）。其中，杆臂效应和航向安装角是外参标定的重点。若杆臂估计不准，在车辆转弯时，GNSS位置与IMU推算位置之间会出现系统性偏差，导致地图出现“分层”或“重影”现象。

案例拆解：GNSS/INS杆臂标定实战

在某园区高精地图采集项目中，我们遇到地图点云在转弯处出现明显“拖尾”现象。初步排查发现，激光雷达与IMU的外参已标定准确，但车辆在右转时，地图中的静止杆状物（如路灯）会分裂成两个虚影。经过分析，怀疑是GNSS天线杆臂未准确补偿所致。

该车GNSS天线安装在车顶后方，IMU位于车辆后轴中心附近，两者之间的杆臂约为（x=0.8m, y=0.0m, z=0.5m）。由于杆臂的存在，当车辆以30km/h速度转弯（角速度约20°/s）时，GNSS测得的位置与IMU中心位置之间会产生约0.15m的横向偏差。这个偏差在直线行驶时几乎不可见，但在转弯时会被放大。

我们采用“8”字形行驶法进行杆臂在线估计：车辆以不同半径和速度行驶多个“8”字，采集GNSS/INS组合导航输出的原始观测数据（包括GNSS位置、IMU原始加速度和角速度），通过离线批量优化，同时估计杆臂和IMU零偏。优化目标是最小化GNSS位置与IMU推算位置之间的残差。经过三轮迭代，估计出的杆臂为（x=0.82m, y=0.03m, z=0.48m），与人工测量值吻合。重新生成地图后，转弯处的虚影现象完全消失。

2.5 传感器协同与标定策略总结

在高精地图构建中，没有任何单一传感器能够独立完成全部任务。激光雷达提供几何骨架，相机提供纹理与语义，IMU提供高频运动连续性与短时精度，GNSS/INS提供位置基准与长时无漂移保证。四者协同工作的前提是精确的时空对齐——时间上需要统一各传感器的时间戳基准，空间上需要精确标定各传感器之间的外参（旋转矩阵R和平移向量t）。

从标定策略来看，可分为目标法标定（使用标定板、标定间等已知几何特征）和自然特征法标定（利用环境中自然存在的角点、平面、杆状物等）。目标法精度高但操作繁琐，适合实验室或产线；自然特征法灵活性强，适合外场快速标定。在实际工程中，通常采用“先内参、后外参；先单传感器、后多传感器联合优化”的流程。此外，随着深度学习的发展，基于端到端神经网络的自动标定方法也逐渐成熟，但其可解释性和泛化能力仍需进一步验证。