1. 外参标定基础：坐标系定义、刚体变换、李群与李代数基础

大家好，我是你们的老朋友。今天咱们聊聊外参标定里最基础、也最绕不开的几个概念。说实话，我见过不少工程师，一上来就调算法、跑优化，结果标定结果总是不对。回头一看，坐标系定义就搞混了。嗯，这其实是最容易踩坑的地方。

1.1 坐标系定义——别小看这个“原点”

做外参标定，说白了就是求两个坐标系之间的变换关系。那坐标系到底怎么定义？我个人习惯，先搞清楚三个东西：原点、轴方向、单位长度。

在SLAM和计算机视觉里，最常见的坐标系有这么几种：

• 世界坐标系：固定在地面上的参考系。通常用W表示。原点可以选在机器人起始位置，或者某个标志物上。
• 相机坐标系：以相机光心为原点。Z轴一般指向相机前方，X轴向右，Y轴向下（注意，这个跟OpenCV的习惯一致）。
• IMU坐标系：以IMU芯片中心为原点。X轴指向右，Y轴指向前，Z轴向上。嗯，不同IMU厂家定义可能不一样，我踩过这个坑。
• 车身/机器人坐标系：以车辆后轴中心或机器人底盘中心为原点。X轴指向前进方向，Y轴向左，Z轴向上。

1.2 刚体变换——旋转和平移的“组合拳”

两个坐标系之间的关系，可以用刚体变换来描述。刚体变换包含两部分：旋转和平移。说白了，就是把一个点从坐标系A变换到坐标系B。

数学上，刚体变换可以写成：

P_b = R * P_a + t

其中：

• P_a 是点在坐标系A下的坐标
• P_b 是点在坐标系B下的坐标
• R 是3x3的旋转矩阵
• t 是3x1的平移向量

旋转矩阵R有9个参数，但自由度只有3。为什么？因为旋转矩阵是正交矩阵，且行列式为+1。这9个参数之间是有约束的。所以直接用旋转矩阵做优化，其实不太方便。

1.3 李群与李代数——为什么需要它们？

你可能会问：旋转矩阵不是挺好的吗？为什么还要搞什么李群李代数？

原因很简单：旋转矩阵是流形上的点，不是欧氏空间里的点。你想想看，如果你直接对旋转矩阵做加法，结果很可能不再是旋转矩阵。这就导致优化变得很麻烦。

李群和李代数，说白了就是给旋转和刚体变换找了一个“好用的表示方式”。

1.3.1 李群 SO(3) 和 SE(3)

• SO(3)：特殊正交群，就是所有3x3旋转矩阵的集合。满足 R^T R = I, det(R) = 1。
• SE(3)：特殊欧氏群，就是所有刚体变换矩阵的集合。形式是4x4矩阵，左上角是旋转矩阵，右上角是平移向量，最后一行是[0,0,0,1]。

1.3.2 李代数 so(3) 和 se(3)

李代数对应的是李群在单位元处的切空间。so(3)对应旋转矩阵的导数，是3x3的反对称矩阵。se(3)对应刚体变换的导数，是4x4的矩阵。

为什么李代数好用？因为李代数是在向量空间里的。你可以直接做加法、做线性组合，然后通过指数映射回到李群上。这就让优化变得简单了。

1.4 知识体系结构图

下面这张图，是我自己总结的外参标定基础的知识结构。你看一眼，就能明白这些概念之间的关系。

1.5 实际应用中的注意事项

讲完了理论，咱们聊聊实际中怎么用。我在做外参标定时，一般遵循这几个步骤：

1. 明确坐标系定义：先搞清楚每个传感器的坐标系是怎么定义的。特别是IMU，不同厂家的定义可能不一样。
2. 选择旋转表示方式：我建议用四元数或者李代数。旋转矩阵虽然直观，但优化起来太麻烦。
3. 构建优化问题：通常是最小化重投影误差。把外参作为优化变量，用李代数表示，然后做非线性优化。
4. 验证结果：标定完一定要验证。我习惯用一组独立的数据做验证，看看重投影误差是不是足够小。

1.6 小结

好了，这一章的内容就到这里。咱们把坐标系定义、刚体变换、李群和李代数的基础都过了一遍。这些概念虽然基础，但真的很重要。你想想看，如果坐标系定义都搞错了，后面再怎么优化也是白搭。

下一章，咱们会深入讲外参标定的具体方法，包括基于标定板的、基于自然特征的、还有在线标定等等。到时候会用到今天讲的基础知识。