3. 外参标定问题建模：最小二乘问题、目标函数构建、优化变量

好，咱们进入正题。

外参标定，说白了就是解一个数学问题。你拿着传感器数据，知道它们之间应该有什么关系，但实际测出来总有偏差。怎么办？把它变成一个优化问题，让计算机自己去算。

我个人习惯，先把问题拆成三块：目标函数、优化变量、求解方法。今天咱们重点聊前两块，顺带说说最小二乘这个老朋友。

3.1 为什么是最小二乘？

你想想看，传感器测量总有噪声。你测100次，每次结果都不一样。如果硬要找一个完美的解，让所有方程都精确成立，那基本不可能。

所以，我们换个思路：找一个解，让所有误差的平方和最小。这就是最小二乘的核心思想。

我在项目中遇到过一位同事，非要用解线性方程组的方法硬算，结果噪声一上来，解出来的外参完全不能用。后来换成最小二乘，效果立竿见影。为什么？因为最小二乘天然对噪声有抑制作用——平方项让大误差被放大，优化器会优先去压平那些离谱的偏差。

min ∑ || r_i(x) ||²

3.2 目标函数怎么构建？

目标函数，就是你要最小化的那个东西。它由一堆残差项组成。每个残差项，代表一个测量约束的违反程度。

3.2.1 点云匹配残差

这是最常用的。比如激光雷达和相机标定，你找一个标定板，激光扫出点云，相机拍出图像。理论上，点云上的点投影到图像上，应该落在对应的像素位置。

残差就是：投影点位置 - 实际观测到的像素位置。

3.2.2 重投影误差

这个在视觉-惯性标定里很常见。你把3D点投影到图像上，和实际检测到的特征点位置做差。

公式长这样：

e = p_observed - project(T * P_3D)

其中 T 是外参矩阵，P_3D 是3D点坐标，project 是相机投影函数。

3.2.3 相对位姿约束

有时候你不需要绝对位置，只需要两个传感器之间的相对关系。比如IMU和相机，你通过积分IMU数据得到一段运动，相机通过视觉里程计也得到一段运动。这两段运动之间的差异，就是残差。

3.3 优化变量是什么？

优化变量，就是你要调整的那些参数。外参标定里，通常包括：

• 旋转矩阵 R：3个自由度（比如欧拉角或四元数）
• 平移向量 t：3个自由度（x, y, z）
• 时间偏移 Δt：1个自由度（传感器时间戳不同步的问题）

一共7个自由度。但注意，旋转矩阵如果用欧拉角表示，会有万向锁问题。我建议用四元数，虽然多了一个维度（4个参数），但避免了奇异性。

3.4 知识体系结构图

下面这张图，把整个建模过程串起来了。你看一眼，心里就有数了。

3.5 实际建模中的几个坑

嗯，这里要注意几个容易翻车的地方。

1. 参数化选择：旋转矩阵用四元数还是李代数？我建议用李代数，因为它在优化时没有约束，梯度计算也方便。四元数虽然直观，但需要归一化约束，处理起来麻烦一点。
2. 权重设置：不同残差项的尺度可能差很多。比如点云残差是米级，重投影残差是像素级。如果不加权重，优化器会优先压平数值大的项。我一般先做一次预标定，统计各残差的方差，然后用逆方差作为权重。
3. 初始化：最小二乘是局部优化，初始值不好会掉进局部最优。我的习惯是先用闭式解法（比如P3P）算一个粗略值，再扔给优化器精调。

好了，建模这块就聊到这儿。你只要记住：目标函数是你要优化的东西，优化变量是你能调的东西，最小二乘是帮你找到最优解的工具。这三者搞清楚了，外参标定就成功了一半。