传感器基础：激光雷达、相机、IMU的工作原理、坐标系定义与数据特性
多传感器融合标定的前提，是深刻理解三类传感器各自“看到世界的方式”。激光雷达通过主动发射激光脉冲测量距离，相机通过被动接收环境反射光获取纹理与颜色，IMU则通过惯性测量感知自身加速度与角速度。三者工作原理截然不同，数据输出频率、噪声特性、坐标系定义也各有差异。只有先厘清这些底层属性，才能理解为何需要标定、标定哪些参数，以及如何设计标定流程。
激光雷达：主动测距与点云特性
激光雷达（Light Detection and Ranging, LiDAR）通过发射激光束并测量反射光的时间差或频率差来计算目标距离。主流方案包括脉冲飞行时间法（TOF）和调频连续波法（FMCW）。TOF方案通过测量激光脉冲往返时间直接得到距离，技术成熟、成本相对可控；FMCW方案通过测量发射与回波信号的频率差间接测距，抗干扰能力强且可直接获取速度信息，但系统复杂度更高。
激光雷达输出的原始数据是三维点云，每个点包含三维坐标（x, y, z）和反射强度（intensity）。点云的稀疏程度取决于雷达的线束数量和扫描频率。例如，32线雷达在10 Hz扫描频率下，单帧约产生30万点；而128线雷达在同样频率下可产生约120万点。点云的坐标定义遵循右手定则，通常以雷达自身为原点，x轴指向车辆前方，y轴指向左侧，z轴指向上方。
| 参数维度 | 典型值范围 | 对标定的影响 |
|---|---|---|
| 测距精度 | ±1~3 cm（TOF） | 距离噪声影响外参优化权重 |
| 角分辨率 | 0.1°~0.4°（水平） | 决定点云稀疏程度，影响特征匹配 |
| 扫描频率 | 5~20 Hz | 与相机帧率不同步，需时间插值 |
| 强度值范围 | 0~255 或 0~1 | 用于反射率特征匹配，受材质影响 |
在标定场景中，激光雷达点云通常被用作几何基准。其优势在于直接提供三维空间坐标，不受光照影响；劣势在于点云稀疏，难以提供纹理信息，且对玻璃、黑色高吸收率物体存在测距失效问题。因此，标定板通常选用高反射率材料，并在点云中呈现为清晰的平面点簇。
相机：被动成像与内参模型
相机通过镜头将三维世界投影到二维图像平面，本质上是透视投影过程。针孔模型是最常用的理想化模型，描述三维点P(X, Y, Z)到像素坐标(u, v)的映射关系。实际镜头存在径向畸变和切向畸变，需要通过内参标定获得畸变系数进行校正。内参矩阵K包含焦距(fx, fy)和主点坐标(cx, cy)，畸变系数通常包括k1, k2, k3（径向）和p1, p2（切向）。
相机坐标系定义为：原点位于光心，z轴指向镜头前方（即场景方向），x轴指向右，y轴指向下。这一坐标系与激光雷达坐标系（前-左-上）存在明显差异，因此外参标定的本质就是求解两个坐标系之间的旋转矩阵R和平移向量t。
// 针孔模型投影方程
[u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T
其中：
K = [fx 0 cx]
[ 0 fy cy]
[ 0 0 1]相机数据特性中最关键的是帧率与曝光时间。工业相机通常支持10~60 fps，曝光时间从微秒到毫秒级可调。在标定过程中，过长的曝光时间会导致运动模糊，影响角点检测精度；过短的曝光时间则可能使图像过暗，降低特征提取的稳定性。此外，相机的自动白平衡和自动增益功能应关闭，以保证图像亮度的一致性。
IMU：惯性测量与积分漂移
IMU（Inertial Measurement Unit）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加速度和角速度。加速度计测量的是“比力”（specific force），即物体所受非引力加速度之和，静止时输出约为1g（9.8 m/s²）指向天顶；陀螺仪测量的是相对于惯性空间的角速度，单位通常为rad/s或°/s。
IMU坐标系定义通常为：x轴指向载体前方，y轴指向右侧，z轴指向下方（右-前-下），但不同厂商可能有差异。在标定前必须确认IMU的坐标系定义，否则外参旋转矩阵会存在90°或180°的偏差。IMU数据频率较高（100~1000 Hz），但存在两类主要噪声：随机游走（random walk）和零偏不稳定性（bias instability）。
| IMU误差源 | 典型量级 | 对位姿估计的影响 |
|---|---|---|
| 加速度计零偏 | ±10~50 mg | 速度/位置积分发散 |
| 陀螺仪零偏 | ±0.01~0.1 °/s | 姿态角漂移 |
| 角度随机游走 | 0.1~1 °/√h | 姿态噪声累积 |
| 标度因数误差 | 0.1%~1% | 比例缩放误差 |
在标定流程中，IMU的作用体现在两个层面：一是作为高频运动参考，用于补偿激光雷达和相机在采集过程中的运动畸变；二是作为旋转约束，辅助求解外参的旋转分量。由于IMU存在积分漂移，其数据不能直接用于长时间的位置估计，但在短时间窗口内（如0.5秒内）的积分精度足以支撑运动补偿。
坐标系定义与转换关系
多传感器标定的核心是建立统一的参考坐标系。通常选择车辆坐标系或IMU坐标系作为基准坐标系（body frame），其他传感器坐标系通过外参（R, t）与其关联。激光雷达坐标系（L系）、相机坐标系（C系）、IMU坐标系（I系）之间的转换关系为：
P_I = R_IL * P_L + t_IL // 激光雷达到IMU
P_C = R_CI * P_I + t_CI // IMU到相机
P_C = R_CL * P_L + t_CL // 激光雷达到相机（直接外参）外参标定就是求解上述R和t的过程。旋转矩阵R属于SO(3)群，具有正交性和行列式为1的约束；平移向量t属于R³。在实际优化中，通常使用李代数（so(3)）表示旋转，以避免正交约束带来的优化困难。
坐标系定义差异是标定中最常见的错误来源。例如，相机坐标系z轴指向场景方向，而激光雷达坐标系z轴指向上方；IMU坐标系z轴可能指向下方。如果直接使用默认的欧拉角转换，很容易出现符号错误。建议在标定前绘制一张坐标系关系图，明确各轴指向，并编写单元测试验证转换矩阵的正确性。
数据特性对比与标定策略选择
三类传感器的数据特性差异决定了标定策略的选择。激光雷达提供稀疏但精确的三维几何信息，适合作为结构基准；相机提供密集的纹理信息，适合特征提取与匹配；IMU提供高频运动信息，适合运动补偿和旋转约束。在实际标定中，通常采用“由粗到精”的策略：先利用标定板的几何特征进行初始外参估计，再通过联合优化（如基于点云-图像边缘对齐）进行精化。
| 对比维度 | 激光雷达 | 相机 | IMU |
|---|---|---|---|
| 感知类型 | 主动测距 | 被动成像 | 惯性测量 |
| 输出数据 | 3D点云 | 2D图像 | 加速度+角速度 |
| 空间分辨率 | 稀疏（cm级） | 密集（像素级） | 无空间信息 |
| 时间分辨率 | 5~20 Hz | 10~60 fps | 100~1000 Hz |
| 主要噪声 | 距离噪声、运动畸变 | 光度噪声、畸变 | 零偏、随机游走 |
| 标定中的作用 | 几何基准 | 纹理特征 | 运动约束 |
在标定场景设计上，应选择纹理丰富、几何特征明显的环境。室内场景可使用棋盘格标定板、AprilTag板或特征丰富的墙面；室外场景可选择建筑物边缘、地面标线等自然特征。采集数据时，应包含多个姿态（俯仰、偏航、翻滚变化），以充分激励外参的所有维度。
案例：多传感器标定前的数据质量检查
在某自动驾驶项目的外参标定中，团队发现激光雷达与相机投影后的点云与图像边缘存在系统性偏差。初步排查时，团队首先检查了标定板的检测质量。通过可视化点云中的标定板平面，发现点云存在约2 cm的厚度，而非理想的平面点簇。进一步分析发现，标定板表面为哑光材质，对905 nm激光的反射率较低，导致部分点云测距噪声增大。
团队随后检查了相机图像，发现标定板在图像中清晰可见，但边缘存在轻微模糊。通过查看相机参数，确认曝光时间设置为5 ms，在设备运动过程中产生了约1~2像素的运动模糊。IMU数据检查显示，加速度计零偏约为35 mg，超出了标称值20 mg的范围，这会影响运动补偿的精度。
针对上述问题，团队采取了以下措施：将标定板更换为高反射率漫反射材料，并在表面增加哑光涂层以减少镜面反射；将相机曝光时间缩短至2 ms，并开启硬件触发同步；对IMU进行静态零偏估计，在采集前记录2分钟静止数据，计算零偏并扣除。经过调整后，重新采集数据并标定，投影误差从初始的8像素降低至1.5像素以内。
复盘经验表明，标定前的数据质量检查至关重要。建议建立标准化的数据质量评估流程：检查点云平面拟合残差、图像角点检测置信度、IMU零偏稳定性。任何一项指标异常，都应先解决数据质量问题，再进行标定计算，否则标定结果会包含系统性偏差。