一、外参标定入门：到底什么是外参标定？

大家好，我是你们的老朋友。做了这么多年自动驾驶感知，我经常被新人问到一个问题："外参标定到底是干啥的？"

说实话，我刚入行那会儿也懵。总觉得传感器装上去就能用，后来才发现——不标定，传感器就是个"瞎子"。今天咱们就来聊聊这个入门话题。

1.1 什么是外参标定？

外参标定，说白了就是找传感器之间的"相对位置关系"。

你想想看，一辆自动驾驶车上，装了激光雷达、摄像头、毫米波雷达、IMU……这些传感器各自为政。摄像头看到的是像素，激光雷达看到的是点云，它们之间怎么对齐？

嗯，这就是外参标定要解决的问题。

我在项目中遇到过一件事：有一次摄像头和激光雷达的数据怎么都对不齐，车明明在正前方，雷达点云却偏了半米。查了半天，原来是外参矩阵里一个符号写反了。你说坑不坑？

1.2 外参标定在自动驾驶中的应用

外参标定不是花架子，它在自动驾驶里无处不在。我列几个最常见的场景：

• 多传感器融合：摄像头检测到行人，激光雷达测出距离，两者必须对齐才能做目标级融合
• BEV感知：鸟瞰视角下的障碍物检测，需要把多个相机的图像投影到统一坐标系
• SLAM与定位：IMU和相机的联合标定，直接影响位姿估计精度
• 车道线检测：摄像头图像和地图坐标系的对齐，靠的就是外参
• 自动泊车：环视鱼眼相机的拼接，每个相机的外参必须精确

1.3 外参标定的核心概念

要搞懂外参标定，你得先明白三个东西：旋转矩阵、平移向量、坐标系。咱们一个一个说。

1.3.1 旋转矩阵 R

旋转矩阵描述的是两个坐标系之间的朝向关系。它是一个 3x3 的正交矩阵，满足 R^TR = I，行列式为 1。

举个例子：

# 绕Z轴旋转θ角的旋转矩阵
R_z(θ) = [[cosθ, -sinθ, 0],
          [sinθ,  cosθ, 0],
          [0,      0,    1]]

你可能会问：为什么非得用矩阵？用欧拉角不行吗？

行是行，但欧拉角有万向锁问题。我在做IMU标定时就踩过这个坑——用欧拉角表示姿态，结果在俯仰角接近90度时，航向和翻滚直接耦合了，数据全乱套。从那以后，我习惯用旋转矩阵或四元数。

1.3.2 平移向量 t

平移向量描述的是两个坐标系原点之间的位置偏移。它是一个 3x1 的向量，单位通常用米。

比如：

t = [x_offset, y_offset, z_offset]^T

这里要注意：平移向量的方向取决于你从哪个坐标系往哪个坐标系转。搞反了，数据就全反了。

1.3.3 坐标系

坐标系是外参标定的"地基"。常见的坐标系有：

外参标定要做的，就是把这些坐标系串联起来。比如把激光雷达的点云从"激光雷达坐标系"变换到"车体坐标系"，再变换到"世界坐标系"。

1.4 核心公式：外参变换

把上面三个概念串起来，就得到了外参标定的核心公式：

P_cam = R * P_lidar + t

其中：

• P_lidar 是激光雷达坐标系下的点
• R 是旋转矩阵
• t 是平移向量
• P_cam 是相机坐标系下的对应点

这个公式看着简单，但实际用起来坑不少。比如R和t的维度要对，矩阵乘法顺序不能错，齐次坐标用起来更方便等等。

[P_cam]   [R  t]   [P_lidar]
[  1  ] = [0  1] * [   1   ]

1.5 知识体系总览

为了让你对本章内容有个整体印象，我画了一张图：

这张图把本章的核心内容串起来了。你记住：外参标定 = 旋转矩阵 + 平移向量 + 坐标系变换，再加上实际应用场景，基本就入门了。

1.6 小结

好了，第一章就聊到这儿。咱们回顾一下：

• 外参标定就是找传感器之间的相对位置关系
• 它在自动驾驶里无处不在，从融合到定位都离不开
• 核心三要素：旋转矩阵R、平移向量t、坐标系
• 核心公式：P_cam = R * P_lidar + t

说实话，外参标定这东西，光看理论是不够的。我建议你找个开源数据集，自己动手跑一遍标定流程，踩几个坑，比看十遍书都管用。

下一章咱们聊聊标定的具体方法——怎么用标定板、怎么采集数据、怎么求解外参矩阵。到时候见。