4、平移误差度量：欧氏距离、相对误差百分比、尺度无关的误差度量、方向分量误差

好，咱们接着聊外参标定精度验证。上一节我们把旋转误差聊透了，这一节轮到平移误差了。

平移误差，说白了就是看你的相机中心位置标得准不准。我见过不少团队，旋转误差控制得挺好，但平移一塌糊涂，结果建出来的地图全是歪的。嗯，平移误差的度量方式有好几种，每种都有它的适用场景。我个人习惯把这四种方法都跑一遍，然后综合判断。

欧氏距离，就是三维空间里两点之间的直线距离。公式很简单：

d = sqrt( (x1 - x2)^2 + (y1 - y2)^2 + (z1 - z2)^2 )

这个值直接告诉你，标定出来的相机中心和真值之间差了多少米。单位是毫米或者米，看你的应用场景。

我的经验：在自动驾驶场景中，如果欧氏距离超过5厘米，那基本就要重新标定了。但在室内AR场景中，10厘米以内都能接受。阈值怎么定？得看你的传感器精度和业务需求。

欧氏距离的好处是直观，坏处是它不告诉你误差的方向。你只知道差了多远，但不知道是前后、左右还是上下出了问题。

欧氏距离有个问题——它跟场景尺度有关。你想想看，在一个10米×10米的房间里，5厘米误差可能很严重。但在一个1公里×1公里的室外场景中，5厘米误差几乎可以忽略。

所以就有了相对误差百分比：

相对误差 = (欧氏距离 / 场景尺度) × 100%

这里的「场景尺度」怎么定义？我一般用相机到场景中心的距离，或者用场景中特征点分布的范围直径。

避坑指南：我曾经在一个项目中直接用场景对角线作为尺度，结果发现误差百分比忽大忽小。后来改成用相机到场景中心的平均距离，稳定多了。记住，尺度的定义要跟你的应用场景匹配。

有些时候，你根本不知道场景的真实尺度。比如你只有一张图片，没有深度信息。这时候怎么办？

尺度无关的误差度量就派上用场了。它的核心思想是：只关心平移的方向，不关心平移的大小。

具体做法是：

t_gt_norm = t_gt / ||t_gt||
t_est_norm = t_est / ||t_est||
angle_error = arccos( t_gt_norm · t_est_norm )

这个度量在视觉SLAM中特别有用。我记得有一次做单目SLAM的外参标定，深度完全不确定，但用这个度量就能判断平移方向标得对不对。

注意：当真实平移量非常小（比如接近零）时，这个度量会失效。因为归一化本身就不稳定了。我建议在平移量大于1厘米时才使用这个度量。

最后一种，方向分量误差。这个度量把平移误差分解到三个坐标轴上：

为什么要分解？因为不同方向的误差对系统的影响完全不同。

举个例子：在车载相机标定中，Z方向（高度）的误差会影响地面检测，X方向（横向）的误差会影响车道线匹配，Y方向（纵向）的误差会影响距离估计。

我个人习惯在标定报告中同时给出三个方向的分量误差，而不是只给一个欧氏距离。这样调试的时候能快速定位问题出在哪个轴上。

实战建议：我曾经遇到一个案例，欧氏距离只有3厘米，看起来不错。但分解后发现Z方向误差达到了2.8厘米，X和Y方向几乎为零。这说明相机高度标错了，但水平位置是对的。如果不分解，根本发现不了这个问题。

好了，四种度量都讲完了。我画了一张图帮你理清思路：

总结一下我的建议：

嗯，平移误差的度量就这些。下一节我们聊聊怎么把这些度量方法组合起来，形成一个完整的标定验证流程。不过那是后话了，先把这四种方法吃透再说。

可可精品资料库