3. 坐标系与标定基础：传感器坐标系、车辆坐标系、世界坐标系，内参外参标定原理
在Autoware的感知系统中，多传感器融合的前提是“统一坐标系下的时空对齐”。激光雷达、摄像头、毫米波雷达各自拥有独立的测量基准，若未经过精确标定，融合算法将无法正确关联同一物理目标在不同传感器中的观测。本章围绕坐标系定义、坐标变换数学基础、内参与外参标定原理展开，为后续章节中的目标级融合、BEV（鸟瞰图）特征融合以及传感器时间同步提供理论支撑。
3.1 三种坐标系的定义与工程语义
核心原理：坐标系是描述物体空间位置的基准框架。在Autoware中，三种坐标系各司其职：世界坐标系（World Frame）用于全局定位与地图匹配，通常采用UTM（通用横轴墨卡托）投影坐标或局部参考点（如原点在停车场入口）；车辆坐标系（Vehicle Frame）以车辆后轴中心或IMU安装位置为原点，X轴指向车头前方，Y轴指向左侧，Z轴垂直向上，遵循ISO 8855或ROS REP 103标准；传感器坐标系（Sensor Frame）以各传感器的光学中心或相位中心为原点，其轴向定义取决于传感器安装方向。
工程中常见的错误是将“车辆坐标系”与“车体坐标系”混用。Autoware中，base_link是车辆坐标系的TF根节点，而map是世界坐标系，sensor_link是传感器坐标系。三者之间的变换关系通过TF树维护，任何感知算法在订阅数据时，都必须将点云或图像转换到目标坐标系后再处理。
| 坐标系 | 原点位置 | 轴向定义 | 典型应用 | 获取方式 |
|---|---|---|---|---|
| 世界坐标系 | UTM原点/局部参考点 | X东、Y北、Z天 | 全局路径规划、高精地图匹配 | GNSS/INS组合导航 |
| 车辆坐标系 | 后轴中心/IMU位置 | X前、Y左、Z上 | 运动控制、障碍物相对位置 | 车辆运动学模型 |
| 传感器坐标系 | 光学中心/相位中心 | 取决于安装朝向 | 原始测量数据表达 | 传感器驱动 |
3.2 坐标变换数学基础
核心原理：坐标变换的核心是刚体变换，由旋转矩阵 R（3×3）和平移向量 t（3×1）组成。设点P在传感器坐标系下的坐标为 p_s，在车辆坐标系下的坐标为 p_v，则变换关系为：
p_v = R * p_s + t其中R满足正交性（R^T * R = I）且行列式为+1。实际工程中，为避免欧拉角的万向锁问题，通常使用四元数（Quaternion）表示旋转，Autoware的TF消息中即采用四元数格式。变换矩阵T（4×4）将旋转和平移统一为齐次形式：
T = | R t |
| 0 1 |操作流程：在Autoware中进行坐标变换时，通常遵循以下步骤：
- 通过
tf2_ros监听TF树，获取从源坐标系到目标坐标系的变换关系。 - 调用
transformPoint或transformPointCloud接口，将数据转换到目标坐标系。 - 验证变换结果：在RViz中叠加显示转换前后的点云与图像，检查对齐精度。
tf2的waitForTransform函数处理TF延迟问题。若传感器数据到达时TF尚未更新，会导致坐标变换使用旧的外参，造成融合错位。
3.3 内参标定原理
核心原理：内参描述传感器自身的固有属性。对于摄像头，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，切向畸变p1, p2）。针孔相机模型将3D点投影到2D像素平面：
Z_c * [u, v, 1]^T = K * [X_c, Y_c, Z_c]^T其中K为内参矩阵。对于激光雷达，内参主要指距离测量偏移、水平/垂直角度偏移等，通常由厂商出厂标定，但使用一段时间后可能需要重新校准。
操作流程：摄像头内参标定常用棋盘格法（张正友标定法）：
- 打印棋盘格标定板（如10×7格，格边长30mm），贴于平面板上。
- 从不同角度、距离拍摄15~20张包含完整棋盘格的图像。
- 使用Autoware的
camera_calibration工具或OpenCV的calibrateCamera函数提取角点并计算内参。 - 检查重投影误差，通常要求小于0.5像素。
3.4 外参标定原理
核心原理：外参描述传感器坐标系与车辆坐标系（或其他传感器坐标系）之间的相对位姿关系，即旋转矩阵R和平移向量t。外参标定的精度直接决定多传感器融合的准确性。常见的外参标定方法包括：
- 目标板法：使用标定板（棋盘格、ArUco码）同时被摄像头和激光雷达观测，通过特征点匹配求解外参。
- 自然特征法：利用场景中的角点、边缘等自然特征进行配准，适用于无法放置标定板的场景。
- 手眼标定法：借鉴机器人领域的AX=XB问题，通过多次运动求解传感器间外参。
操作流程（以激光雷达-摄像头为例）：
- 将棋盘格标定板放置在激光雷达和摄像头共同视野内，确保点云中能清晰看到标定板平面。
- 采集多帧数据，提取图像中的棋盘格角点（2D点）和点云中的标定板平面（3D点）。
- 建立2D-3D对应关系，使用PnP（Perspective-n-Point）算法求解初始外参。
- 使用非线性优化（如Levenberg-Marquardt）最小化重投影误差，优化R和t。
- 在RViz中叠加显示点云投影到图像的效果，验证标定精度。
autoware_calibration工具包，支持在线与离线标定。
3.5 标定质量评估与常见误区
核心原理：标定质量评估是确保融合系统可靠性的关键环节。评估指标包括：重投影误差（像素）、点云到图像边缘对齐误差（像素）、距离测量误差（米）、以及融合后目标位置与真值的偏差（米）。
| 评估指标 | 优秀标准 | 可接受标准 | 不合格标准 |
|---|---|---|---|
| 重投影误差 | < 0.5 px | 0.5 ~ 1.0 px | > 1.5 px |
| 点云投影边缘对齐 | < 2 px | 2 ~ 5 px | > 8 px |
| 50m处目标位置偏差 | < 10 cm | 10 ~ 30 cm | > 50 cm |
常见误区：
- 误区一：认为内参标定一次即可永久使用。温度变化、镜头松动都会导致内参漂移。
- 误区二：忽略时间同步而只做空间标定。若摄像头帧与激光雷达帧时间戳偏差超过100ms，即使外参精确，融合也会出现运动畸变。
- 误区三：使用单一场景标定结果应对所有工况。不同光照、不同温度下，标定参数可能需要微调。