4、传感器标定：相机内参标定、相机-激光雷达联合标定、标定工具使用
传感器标定这件事，说白了你得先让车「看清楚」自己身上长了什么。我见过不少团队，算法调得飞起，结果标定没做好，一上路就翻车。嗯，这章咱们就把标定这块硬骨头啃下来。
4.1 相机内参标定——给眼睛配副眼镜
相机内参标定，说白了就是搞清楚镜头是怎么扭曲光线的。每颗镜头都有出厂误差，比如焦距偏差、光心偏移、还有那烦人的畸变。你想想看，如果内参不准，后面做视觉测距、目标检测，全都会跟着歪。
我个人习惯用棋盘格标定板。为什么？因为角点检测稳定，算法成熟。OpenCV 的 cv2.calibrateCamera() 就能搞定。但这里有个坑——
标定流程其实不复杂：
- 拍 20-30 张不同角度的棋盘格照片
- 检测角点，提取像素坐标
- 用张正友标定法解算内参矩阵和畸变系数
- 验证重投影误差，一般要小于 0.5 像素
# 伪代码示意
import cv2
import numpy as np
# 准备棋盘格角点坐标
objp = np.zeros((6*9, 3), np.float32)
objp[:,:2] = np.mgrid[0:9, 0:6].T.reshape(-1,2)
# 遍历图片，检测角点
imgpoints = []
objpoints = []
for img in images:
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, corners = cv2.findChessboardCorners(gray, (9,6), None)
if ret:
imgpoints.append(corners)
objpoints.append(objp)
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
objpoints, imgpoints, gray.shape[::-1], None, None
)
cv2.undistort() 去畸变看看效果。如果图像边缘的直线还是弯的，说明标定没到位。
4.2 相机-激光雷达联合标定——让眼睛和耳朵对齐
相机看到的是像素，激光雷达看到的是点云。怎么把两者对齐？这就是联合标定要干的事。说白了，就是求一个外参矩阵，把激光雷达坐标系下的点，投影到相机图像上。
我建议用标定板来做。找一块带反光标记的平板，或者用棋盘格加边缘检测。激光雷达扫到标定板边缘，会形成明显的点云轮廓。相机拍到棋盘格，能提取出角点。然后找对应关系，解算旋转和平移。
这里有个经典方法——
- 手动选点法： 在点云里选几个特征点，在图像里标出对应像素。至少 4 组点，用 PnP 解算。简单粗暴，但精度看手抖不抖。
- 自动匹配法： 用标定板检测算法，自动提取点云中的平面和图像中的角点。精度高，但实现复杂。
我在项目中遇到过最头疼的问题：激光雷达和相机的时间戳没对齐。车一动起来，点云和图像差了几十毫秒，标定结果完全不能用。后来加了硬件同步触发，才搞定。
p_image = K * [R|t] * P_lidar
4.3 标定工具使用——Kalibr 和 lidar_camera_calibration
手写标定代码太累？直接用现成工具。我常用的两个：
Kalibr
Kalibr 是 ETH 出的多传感器标定工具，支持相机内参、相机-IMU、多相机联合标定。它用 B-spline 模型拟合运动轨迹，精度很高。
使用步骤：
- 准备标定板（Aprilgrid 或棋盘格）
- 录制 rosbag，包含图像和 IMU 数据
- 写配置文件，指定标定板参数和传感器模型
- 运行 kalibr_calibrate_cameras 或 kalibr_calibrate_imu_camera
# Kalibr 命令行示例
kalibr_calibrate_cameras \
--bag cam_imu.bag \
--topics /cam0/image_raw \
--models pinhole-radtan \
--target april_6x6.yaml
lidar_camera_calibration
这是另一个好用的工具，专门做激光雷达和相机联合标定。它用棋盘格作为中介，自动检测点云中的平面和图像中的角点。
优点：
- 全自动，不需要手动选点
- 支持多线激光雷达（Velodyne、Ouster 等）
- 输出外参矩阵和重投影误差
缺点：
- 对棋盘格摆放位置敏感
- 标定板必须足够大，否则点云检测不到边缘
我个人习惯先用 lidar_camera_calibration 做粗标定，再用 Kalibr 做精调。两轮下来，重投影误差能控制在 2 像素以内。
4.4 标定流程总览
下面这张图是我自己总结的标定流程，你照着走基本不会出错：
4.5 避坑指南
最后，我把自己踩过的坑列出来，你遇到类似问题直接对照：
- 标定板不平： 我曾经用纸板贴棋盘格，结果标定出来的畸变系数全是错的。换成亚克力板或铝板，一次过。
- 光照不足： 相机标定需要均匀光照。我在阴天室外标定，角点检测率直接掉到 60%。后来加了补光灯，好多了。
- 激光雷达反射干扰： 标定板边缘如果有高反光材料，点云会飘。建议用哑光材料做标定板。
- 时间戳不同步： 联合标定前，先检查相机和激光雷达的时间戳是否对齐。差 10ms 以上，标定结果就废了。
嗯，标定这块就讲这么多。工具和方法都给你了，剩下的就是多练。记住，标定是感知系统的地基，地基不稳，上层算法再牛也白搭。