传感器基础：激光雷达与相机的工作原理
大家好，我是你们这门课的主讲。今天咱们聊聊传感器基础，这部分内容我做了这么多年自动驾驶，可以说是最核心的底层知识。你想想看，外参标定说白了就是让激光雷达和相机“对齐”，但如果连它们各自怎么工作的都不清楚，那标定出来的结果你敢信吗？
我个人习惯，在讲任何标定算法之前，先花时间把传感器原理吃透。这就像盖房子打地基，地基不稳，上层算法再花哨也是白搭。好，咱们直接进入正题。
激光雷达工作原理：TOF与扫描方式
激光雷达，英文叫LiDAR，很多人觉得它很神秘。其实说白了，它就是通过发射激光束并测量反射光来感知周围环境的传感器。核心原理就一个词：飞行时间（TOF）。
TOF原理：激光器发射一束极短的激光脉冲，打到目标物体后反射回来，被接收器捕获。通过记录发射和接收的时间差 Δt，再乘以光速 c，就能算出距离 d = c × Δt / 2。
我在项目中遇到过一个问题：为什么除以2？因为激光走了个来回，距离是往返路程的一半。嗯，这个细节很多新手会忽略。
激光雷达按扫描方式分，主要有两大类：机械式和固态。我分别说说我的理解。
机械式激光雷达
机械式激光雷达，就是通过电机带动激光收发模块旋转，实现360°水平扫描。早期Velodyne的HDL-64E就是典型代表，头顶一个大花盆，转起来嗡嗡响。
- 优点：视场角大（水平360°），技术成熟，点云密度高。
- 缺点：有机械旋转部件，寿命有限，震动敏感，成本高。
我记得有一次在路测车上调试，机械雷达的旋转电机突然卡住了，点云数据直接变成了一条线。排查了半天，发现是轴承进了沙子。从那以后，我每次上车前都会检查雷达的旋转是否顺畅。
固态激光雷达
固态激光雷达没有机械旋转部件，而是通过光学相控阵（OPA）或微机电系统（MEMS）来控制激光束的指向。说白了，就是用电信号代替机械转动。
- 优点：体积小，可靠性高，寿命长，成本有下降空间。
- 缺点：视场角通常较小（水平120°左右），技术还在迭代中。
我建议大家在选择传感器时，如果做L4级自动驾驶，机械式仍然是主流选择；如果是L2+辅助驾驶，固态雷达更合适。当然，这只是我个人经验，具体还得看项目需求。
避坑指南：我曾经在标定项目中，因为没注意激光雷达的扫描方式，导致点云和图像对不上。机械式雷达的点云是逐行扫描的，而固态雷达是逐帧快照的，时间戳对齐方式完全不同。这一点在标定时一定要区分清楚。
相机成像模型：针孔模型与畸变
相机这部分，我估计大家都不陌生。但做外参标定，光知道拍照可不够，你得理解相机是怎么把三维世界映射到二维图像上的。核心模型就是针孔模型。
针孔模型
针孔模型，说白了就是小孔成像。光线通过一个小孔（光心）投射到成像平面上，形成倒立的像。为了数学上方便，我们通常把成像平面放到小孔前面，这样像就是正立的了。
数学表达式很简单：
u = f * X / Z + u0
v = f * Y / Z + v0其中 (X, Y, Z) 是三维空间点坐标，(u, v) 是像素坐标，f 是焦距， (u0, v0) 是主点坐标。这个公式就是相机内参矩阵的核心。
我刚开始做视觉时，总觉得这个公式太简单，没什么好研究的。直到有一次标定出来的外参总是偏大，排查了三天才发现是相机内参没标准。嗯，从那以后我再也不敢小看针孔模型了。
畸变模型
现实中的相机镜头不是完美的针孔，光线经过透镜时会发生折射，导致图像变形。这就是畸变。主要分两种：
- 径向畸变：光线在透镜边缘弯曲更厉害，导致图像边缘的直线变弯。分为桶形畸变和枕形畸变。
- 切向畸变：透镜和成像平面不平行，导致图像倾斜。
畸变矫正的数学公式长这样：
x_corrected = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_corrected = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + [p1*(r^2 + 2*y^2) + 2*p2*x*y]其中 k1, k2, k3 是径向畸变系数，p1, p2 是切向畸变系数。r 是像素到主点的距离。
注意：畸变参数是相机内参的一部分，在做外参标定前，必须先完成相机内参标定。我曾经见过有人直接用厂家给的畸变参数，结果标定出来的外参误差很大。我的建议是：自己用棋盘格重新标一遍，别偷懒。
知识体系结构图
为了让大家更直观地理解本章的知识脉络，我画了一张结构图。你看完应该能明白激光雷达和相机各自的核心原理，以及它们在外参标定中的角色。
这张图把本章的核心内容串起来了。左边是激光雷达，右边是相机，中间通过外参标定连接。你想想看，如果没有理解TOF原理和针孔模型，你怎么可能把三维点云准确地投影到二维图像上？
个人经验：我建议初学者先花一周时间，把激光雷达的TOF原理和相机的针孔模型彻底搞懂。不要急着跑标定代码。我当年就是吃了这个亏，代码跑得飞起，但标定结果总是不对。后来静下心来重新啃了一遍传感器原理，问题迎刃而解。
好了，这一章的内容就到这里。传感器基础是外参标定的基石，希望大家能真正理解，而不是死记硬背公式。下一章我们会深入聊外参标定的数学模型，到时候这些基础知识会反复用到。