3. 标定基础概念
高精地图构建的核心任务是将多源传感器（激光雷达、摄像头、惯性测量单元IMU、全球导航卫星系统GNSS等）采集的数据融合到统一的空间参考框架中。任何传感器数据若不经过精确的几何校正与坐标对齐，其融合结果将出现重影、错位甚至发散。因此，理解并掌握标定中的基础概念——内参、外参以及坐标系定义与转换关系，是构建高精地图的第一道技术门槛。本节将系统梳理这些核心概念，并重点剖析从传感器原始测量到世界坐标系的完整数学链路。
3.1 内参与外参的核心定义与物理意义
内参（Intrinsic Parameters）描述传感器自身的物理光学或测量特性，决定了原始测量值如何映射到传感器坐标系下的几何表示。对于摄像头，内参包括焦距（fx, fy）、主点坐标（cx, cy）以及径向畸变和切向畸变系数（k1, k2, p1, p2, k3）。对于激光雷达，内参涉及激光发射器的扫描角度范围、角分辨率、测距偏移量以及各激光束的垂直角度修正值。对于IMU，内参则包含比例因子、交叉耦合系数和零偏稳定性。内参是传感器出厂后即存在的固有属性，但会随温度、振动和时间漂移，因此需要周期性重标定。
外参（Extrinsic Parameters）描述传感器之间或传感器与车体之间的刚性空间变换关系，包含旋转矩阵 R（3×3）和平移向量 t（3×1）。外参标定的核心目标是求解两个坐标系之间的齐次变换矩阵 T = [R | t; 0 1]。例如，激光雷达坐标系到车体坐标系的变换 T_body_lidar，定义了激光雷达在车体上的安装位置和姿态角（横滚、俯仰、偏航）。外参的准确性直接决定了多传感器数据融合的空间一致性。
3.2 三大坐标系的定义与工程约定
高精地图构建涉及三个层次的坐标系，理解其定义和右手定则约定是避免符号混乱的基础。
- 传感器坐标系（Sensor Frame）：以传感器自身为原点。摄像头坐标系原点在光心，Z轴指向镜头前方，X轴向右，Y轴向下（图像坐标系习惯）。激光雷达坐标系原点在旋转中心，通常Z轴向上，X轴指向扫描起始方向。IMU坐标系原点在MEMS敏感中心，X轴指向车头前方，Y轴指向车身右侧，Z轴垂直向下（部分IMU定义Z轴向上，需查阅数据手册）。
- 车体坐标系（Body Frame）：通常以IMU参考中心或车辆后轴中心为原点。X轴指向车辆前进方向，Y轴指向车辆左侧（或右侧，需统一），Z轴垂直向上。车体坐标系是车辆运动控制与位姿估计的基准，GNSS/IMU组合导航系统输出的位姿通常就是车体坐标系在世界坐标系中的位姿。
- 世界坐标系（World Frame）：高精地图的全局参考框架。常用UTM（通用横轴墨卡托）投影坐标系或局部ENU（东-北-天）坐标系。UTM以米为单位，适合大范围地图拼接；ENU以某参考点为原点，适合园区或高速场景。世界坐标系的选取需考虑地图覆盖范围、投影变形误差以及后续定位算法的计算效率。
| 坐标系 | 原点位置 | X轴 | Y轴 | Z轴 | 典型用途 |
|---|---|---|---|---|---|
| 传感器坐标系 | 传感器光心/旋转中心 | 图像右/扫描起始 | 图像下/车身左 | 镜头前/垂直向上 | 原始数据表达 |
| 车体坐标系 | IMU中心/后轴中心 | 车辆前进方向 | 车辆左侧 | 垂直向上 | 运动控制、位姿基准 |
| 世界坐标系 | UTM原点/局部参考点 | 东向（E） | 北向（N） | 天向（U） | 地图拼接、全局定位 |
3.3 坐标系转换的数学原理与操作流程
坐标系转换的核心是刚体变换，即旋转加平移。对于三维空间中的点 P，从传感器坐标系到车体坐标系的转换公式为：
P_body = R_body_sensor · P_sensor + t_body_sensor其中 R_body_sensor 是3×3旋转矩阵，t_body_sensor 是3×1平移向量。若采用齐次坐标表示，可写成矩阵乘法形式：
| P_body | | R t | | P_sensor |
| 1 | = | 0 1 | · | 1 |实际工程中，旋转矩阵常用欧拉角（横滚roll、俯仰pitch、偏航yaw）或四元数表示。欧拉角直观但存在万向锁问题，四元数无奇异性且插值平滑，在SLAM和组合导航中更常用。转换流程通常分为四步：
- 数据时间对齐：确保参与标定的传感器数据采集时刻一致，通常通过硬件同步信号（PPS、GPRMC）或软件插值实现。
- 内参校正：对摄像头图像去畸变，对激光雷达点云修正测距误差，对IMU数据去除零偏。
- 特征提取与匹配：在标定场景中提取角点、标定板平面、地面特征等，建立传感器观测之间的对应关系。
- 非线性优化求解：构建重投影误差或点面距离误差函数，使用Levenberg-Marquardt或高斯-牛顿法迭代求解最优外参。
3.4 实战场景：激光雷达与摄像头联合标定中的坐标统一
以某园区高精地图采集车为例，车辆搭载一台32线激光雷达（安装于车顶前部）和一个前视摄像头（安装于挡风玻璃内侧）。初始标定目标是将激光雷达点云投影到图像平面上，用于语义分割和障碍物检测。已知摄像头内参矩阵 K 和畸变系数，激光雷达内参已由厂家提供。外参标定采用棋盘格靶标法：
- 场景布置：在车辆前方5-8米处放置1.2m×0.9m棋盘格，棋盘格平面与车辆纵轴垂直，确保激光雷达扫描线能覆盖棋盘格上下边缘。
- 数据采集：采集10帧图像和对应的点云，每帧中棋盘格角点在图像中清晰可见，且点云在棋盘格区域至少存在3条扫描线。
- 特征提取：图像端使用OpenCV的findChessboardCorners提取亚像素角点；点云端通过平面拟合（RANSAC）提取棋盘格平面，并计算平面法向量和中心点。
- 初始外参估计：利用棋盘格平面在激光雷达坐标系下的法向量与图像中棋盘格消失点之间的关系，估算旋转矩阵初值；平移向量初值可通过测量激光雷达与摄像头安装位置的物理距离获得。
- 非线性优化：构建重投影误差 E = Σ || p_img - K · (R · P_lidar + t) ||²，使用Ceres Solver进行优化，迭代20次后重投影误差从初始的15像素降至0.8像素。
| 标定步骤 | 输入数据 | 关键参数/指标 | 输出结果 | 验收标准 |
|---|---|---|---|---|
| 内参标定 | 棋盘格图像20张 | 重投影误差 < 0.1像素 | K矩阵、畸变系数 | 图像去畸变后直线无弯曲 |
| 外参初值 | 物理测量+法向量 | 安装角误差 < 2° | R0, t0 | 点云投影大致对齐 |
| 联合优化 | 10帧图像+点云 | 重投影误差 < 1像素 | R, t 精确值 | 点云边缘与图像边缘重合 |
| 验证 | 独立测试场景 | 距离误差 < 5cm@20m | 标定报告 | 不同距离目标均对齐 |
该案例中，最终外参标定结果为：旋转角（roll=0.2°, pitch=1.5°, yaw=0.8°），平移向量（x=0.35m, y=0.0m, z=0.8m）。值得注意的是，俯仰角1.5°的偏差在50米处会造成约1.3米的垂直误差，这充分说明外参标定精度对远距离感知的严重影响。
3.5 常见误区与总结复盘
在标定基础概念的理解和应用中，工程师常犯以下错误：
- 坐标系轴向约定不统一：不同传感器厂家对Z轴方向的定义不同（如摄像头Z轴向前，IMU Z轴向下），若未仔细阅读手册，会导致旋转矩阵符号错误。建议在代码中显式定义坐标系枚举类型，并在标定脚本中打印验证。
- 忽略时间同步误差：外参标定假设传感器数据在同一时刻采集，若时间偏差超过10ms，车辆振动会导致特征匹配错误。应优先使用硬件同步信号，或采用插值方法将数据对齐到同一时间戳。
- 内参外参混淆：将摄像头内参中的畸变模型误用于激光雷达点云校正，或将IMU零偏当作外参平移量。内参是传感器自身的映射关系，外参是传感器间的空间关系，两者不可混用。
- 过度依赖单一标定场景：只在室内静态场景标定，未考虑室外光照变化、温度漂移对内外参的影响。建议在多种环境条件下进行验证，并建立定期复标定机制。
总结而言，内参、外参与坐标系定义是传感器标定的三大基石。内参决定了传感器数据的可信度，外参决定了多传感器融合的空间一致性，而坐标系的清晰定义则是所有数学变换的前提。在实际工程中，建议建立标准化的标定流程文档，包含坐标系定义图、标定操作步骤、验收指标和异常处理预案。同时，将标定工具链（如Kalibr、Autoware标定工具箱）集成到自动化流水线中，减少人工操作引入的随机误差。只有夯实这些基础概念，才能在高精地图构建的后续环节中确保厘米级甚至毫米级的建图精度。