一、外参标定精度验证概述
1.1 为什么需要精度验证
外参标定做完了，然后呢？
很多人觉得标定完就万事大吉。我刚开始做SLAM那会儿也这么想。直到有一次，标定结果看着挺漂亮，重投影误差零点几个像素。结果一上实车，地图建出来全是歪的。嗯，从那以后我学乖了——标定完必须验证，而且要用多种方法交叉验证。
说白了，外参标定精度验证就是回答三个问题：
- 标得准不准？——误差有多大，能不能接受
- 哪里不准？——是旋转偏了，还是平移错了
- 对系统有啥影响？——会不会导致定位漂移、建图变形
我个人习惯把精度验证分成两个层面：数值层面和应用层面。数值层面看指标，应用层面看效果。两者缺一不可。
1.2 核心指标：三个维度，缺一不可
精度验证的核心指标有三个。我习惯把它们叫做「三驾马车」。
1.2.1 旋转误差
旋转误差描述的是标定出的旋转矩阵与真值之间的偏差。单位通常是度（°）或弧度（rad）。
为什么旋转误差这么重要？你想想看，旋转错了1°，在10米外的物体就会偏移17.5厘米。对于自动驾驶来说，这足以让车道线匹配出错。
常用的度量方式有两种：
- 角度误差：直接计算旋转矩阵的轴角差值
- 相对旋转误差：在连续帧之间比较旋转变化量
我个人推荐：用相对旋转误差来评估动态场景下的表现。因为绝对旋转误差容易受到基准坐标系定义的影响，而相对误差更能反映实际使用中的性能。
1.2.2 平移误差
平移误差就是位置偏差，单位是米或毫米。
这里有个容易忽略的点——平移误差和旋转误差是耦合的。旋转偏了，平移的测量也会跟着偏。我在项目中遇到过这种情况：旋转误差只有0.5°，但平移误差却达到了5厘米。后来排查发现，是标定板的摆放距离太近导致的。
平移误差的评估通常分两步：
- 绝对平移误差：直接比较标定结果与真值的欧氏距离
- 相对平移误差：看单位距离内的漂移量（比如每米漂移多少毫米）
| 误差类型 | 适用场景 | 典型阈值 |
|---|---|---|
| 绝对平移误差 | 静态标定验证 | < 1 cm |
| 相对平移误差 | 动态SLAM/VIO | < 0.1% 距离 |
1.2.3 重投影误差
重投影误差是大家最熟悉的指标。它衡量的是：把3D点投影到图像上，和实际检测到的2D点之间的像素距离。
但我要提醒一句——重投影误差低，不代表外参就准。为什么？因为你可以通过过拟合来降低重投影误差。比如用太多参数去拟合噪声，结果在训练集上表现很好，换一组数据就崩了。
💡 我的经验：重投影误差应该作为「必要但不充分」的指标。也就是说，它必须小，但光小还不够。一定要结合旋转误差和平移误差一起看。
1.3 验证方法论的整体框架
说了这么多指标，那验证到底怎么做？我总结了一个三层框架：
这个框架的核心思想是：从数据到指标，从指标到决策。每一层都依赖前一层的输出，但每一层也有自己的独立判断逻辑。
具体来说：
- 第一层保证输入数据的质量。数据不行，后面算什么都白搭。我见过太多人拿着一组噪声很大的数据硬算，结果指标看起来还行，实际一跑就露馅。
- 第二层是定量分析。三个指标要同时算，不能只看一个。而且要注意——不同传感器的指标权重不一样。比如激光雷达和相机的外参，旋转误差的权重就比平移误差高。
- 第三层是综合判断。阈值怎么设？我一般用「3σ原则」——如果误差超过3倍标准差，直接判定为不合格。但也要结合具体应用场景来调整。
🔑 关键点：验证不是一次性的工作。我建议在标定完成后，至少用三组不同场景的数据做交叉验证。如果三组结果一致性好，那基本可以放心了。
好了，这一章我们先把「为什么验证」和「验证什么」说清楚。下一章开始，我会手把手带你走一遍具体的验证流程——从数据采集到指标计算，再到最终决策。到时候我会把代码也贴出来，咱们边写边聊。
📌 一句话总结：外参标定精度验证，不是走过场，而是保命符。三个指标（旋转、平移、重投影）要一起看，三层框架（数据、指标、决策）要层层过。少一步，都可能翻车。
—— 一个被标定坑过无数次的工程师
可可精品资料库