4、激光雷达标定：内参标定（角度、距离偏差）、外参标定（雷达与车体/IMU的位姿关系）、常用的标定工具（lidar_align、kalibr）
标定这件事，说白了就是给雷达「配眼镜」。
我见过不少团队，算法调得再好，标定一塌糊涂，最后定位精度就是上不去。你想想看，雷达告诉你前方5米有障碍物，结果实际只有4.8米——这0.2米的误差，在狭窄通道里可能就是撞车和通过的差别。
这一章，咱们把标定这件事彻底讲透。
核心观点：标定是导航系统精度的天花板。内参决定「看得准不准」，外参决定「装得对不对」。两个都做好，你的雷达才算真正「上岗」。
4.1 内参标定：让雷达看清世界
内参标定，解决的是雷达自身的「出厂误差」。
每个激光雷达都有制造公差。电机安装偏了0.1度，激光器发射角度偏了0.05度，这些微小的偏差在100米外就会放大成十几厘米的误差。
4.1.1 角度偏差标定
角度偏差分两种：水平角度偏差和垂直角度偏差。
- 水平角度偏差：雷达旋转时，每个激光束的水平起始角度与理论值不一致。表现为点云整体「扭」了一下。
- 垂直角度偏差：多线雷达中，各线束的垂直俯仰角与设计值有偏移。这会导致地面点云出现「分层」或「波浪」。
我的经验：判断垂直角度偏差有个土办法——把雷达对着平整地面扫一圈。如果地面点云在远距离出现明显的上下分层，那垂直角度大概率偏了。我曾经用这个方法在5分钟内定位了一台16线雷达的垂直角度问题，省去了拆机检查的麻烦。
标定方法其实不复杂：
- 在空旷场地放置标定板（或利用平整墙面）
- 采集多组不同距离、不同角度的点云数据
- 构建误差函数：理论点位置 vs 实际点位置
- 用最小二乘法或非线性优化求解角度偏差
4.1.2 距离偏差标定
距离偏差，就是雷达测出来的距离和真实距离之间的差值。
原因很多：激光器功率衰减、接收器灵敏度变化、温度漂移、甚至镜片脏了都会导致距离偏差。
| 偏差类型 | 典型表现 | 常见原因 | 标定方法 |
|---|---|---|---|
| 固定偏移 | 所有距离都偏大/偏小一个固定值 | 电子延时、线缆长度 | 近距离标定板补偿 |
| 比例偏移 | 距离越远偏差越大 | 时钟频率漂移 | 多距离点拟合 |
| 非线性偏移 | 不同距离段偏差不一致 | 光学系统像差 | 分段多项式拟合 |
注意：距离偏差标定一定要在雷达预热后进行。冷启动和热稳定后的数据能差出2-3厘米。我习惯开机后让雷达空转10分钟再开始标定。
4.2 外参标定：让雷达融入系统
内参搞定了，接下来就是外参。
外参标定要解决的是：雷达装在车上哪个位置？朝哪个方向？相对于IMU（惯性测量单元）的位姿关系是什么？
4.2.1 雷达与车体的位姿关系
车体坐标系通常以后轴中心为原点，X轴向前，Y轴向左，Z轴向上。雷达坐标系则是以雷达自身为原点。
我们需要求出一个4x4的变换矩阵 T，把雷达坐标系下的点转换到车体坐标系下。
# 外参矩阵示例（单位：米，弧度）
# 假设雷达安装在车顶中心，向前0.5米，向上1.2米，俯仰角0.02弧度
T_lidar_to_vehicle = [
[0.9998, 0.0000, 0.0200, 0.5000],
[0.0000, 1.0000, 0.0000, 0.0000],
[-0.0200, 0.0000, 0.9998, 1.2000],
[0.0000, 0.0000, 0.0000, 1.0000]
]标定方法通常有两种：
- 手动测量法：用卷尺量安装位置，用量角器测安装角度。简单粗暴，但精度有限（通常误差在2-5厘米、1-3度）。
- 自动标定法：利用已知特征点（如标定板角点），通过点云匹配反算外参。精度高（毫米级、0.1度级）。
我的建议：手动测量只适合初装调试。量产或高精度场景，一定要做自动标定。我记得有个项目，手动测量后定位一直有20厘米的偏差，折腾了两天找不到原因。最后用自动标定一跑，发现雷达安装时Y轴偏了1.5度——卷尺根本量不出来。
4.2.2 雷达与IMU的联合标定
IMU和雷达的联合标定，是激光雷达导航中最关键的一步。
为什么？因为IMU提供高频姿态信息，雷达提供低频位置信息。两者融合时，如果外参不准，融合结果会互相打架。
标定流程大致如下：
- 同时采集雷达点云和IMU数据
- 利用IMU积分得到运动轨迹
- 利用雷达点云匹配得到另一条运动轨迹
- 优化外参，使两条轨迹对齐
避坑指南：我曾经在标定IMU和雷达时，发现怎么优化都对不齐。折腾了半天，才发现IMU的采样时间戳和雷达的时间戳差了50毫秒。时间同步没做好，外参标定就是白费功夫。所以，标定前一定先确认时间戳对齐。
4.3 常用标定工具
工具选对了，事半功倍。我这些年用过不少工具，挑三个最实用的讲讲。
4.3.1 lidar_align
这是一个开源工具，专门用于激光雷达和IMU的外参标定。
它的核心思路是：利用IMU预积分和雷达点云配准，构建一个联合优化问题，同时优化外参和轨迹。
# lidar_align 使用示例
# 1. 准备数据：rosbag 包含 /velodyne_points 和 /imu/data
# 2. 运行标定
rosrun lidar_align lidar_align \
--bag_file data.bag \
--lidar_topic /velodyne_points \
--imu_topic /imu/data \
--output_file calibration.yaml优点：全自动，不需要标定板。缺点：对运动激励要求高——你得让机器人做充分的旋转和加速运动。
4.3.2 kalibr
kalibr 是ETH Zurich开发的标定工具箱，支持多传感器联合标定。
它不仅能标定雷达和IMU，还能标定相机、IMU、雷达三者之间的外参。
| 功能 | 支持传感器 | 标定精度 | 难度 |
|---|---|---|---|
| 相机-IMU标定 | 单目/双目 + IMU | 亚像素级 | 中等 |
| 雷达-IMU标定 | 激光雷达 + IMU | 厘米级 | 较高 |
| 多传感器联合标定 | 相机+雷达+IMU | 综合最优 | 高 |
注意：kalibr 对数据质量要求很高。运动太慢、太快、或者场景特征不足，都会导致标定失败。我建议至少采集3组不同运动模式的数据：缓慢平移、快速旋转、8字形运动。
4.3.3 手动标定板方法
有时候，工具再好也不如自己动手。
手动标定板方法适合以下场景：
- 没有IMU数据（只有雷达）
- 需要快速验证外参
- 现场调试时临时标定
做法很简单：
- 在雷达前方放置一个已知尺寸的标定板（比如1m×1m的平板）
- 用雷达扫描标定板，提取板面点云
- 根据板面法向量和中心点，反算雷达相对于板的位置
- 移动标定板到不同位置，重复上述步骤，用多组数据优化外参
我的经验：手动标定虽然土，但有时候比自动工具还靠谱。有一次在野外调试，自动标定工具因为地面不平一直收敛失败。我直接用标定板手动标了10分钟，外参精度完全够用。所以，别看不起手动方法——关键时刻能救命。
4.4 标定后的验证
标定完不是就完事了。你得验证标定结果对不对。
我一般做三步验证：
- 点云重投影：把标定板点云投影到理论位置，看偏差是否在容忍范围内（通常<2cm）
- 地面平整度检查：标定后的地面点云应该是一个平面，没有波浪或分层
- 闭环一致性：让机器人走一个闭环路径，看起点和终点的位姿偏差。如果外参准，闭环偏差应该很小
嗯，标定这件事，说难不难，说简单也不简单。关键是要理解原理，选对工具，然后多动手试。我见过太多人拿着工具跑一遍就以为完事了，结果系统跑起来各种问题——其实都是标定没做好。