1. 外参标定基础：什么是传感器外参？为什么障碍物检测需要外参？外参在感知系统中的角色。

大家好，我是你们这期课程的主讲工程师。在自动驾驶感知领域摸爬滚打了这么多年，我见过太多因为外参没搞好，导致整个感知系统崩盘的案例。今天咱们就来聊聊这个看似基础，实则决定成败的话题——传感器外参。

1.1 什么是传感器外参？

说白了，外参就是描述传感器在空间中“位置”和“朝向”的一组参数。你想想看，我们把摄像头、激光雷达、毫米波雷达装到车上，它们各自有各自的坐标系。外参要解决的，就是把这些独立的坐标系统一到一个共同的世界里。

具体来说，外参包含两部分：

• 旋转参数：描述传感器坐标系相对于参考坐标系的旋转角度（roll、pitch、yaw）
• 平移参数：描述传感器坐标系原点相对于参考坐标系原点的位移（x、y、z）

用数学语言表达，外参就是一个4×4的齐次变换矩阵：

| R   t |
| 0   1 |

其中R是3×3的旋转矩阵，t是3×1的平移向量。这个矩阵能把传感器坐标系下的点，变换到车体坐标系或者世界坐标系下。

1.2 为什么障碍物检测需要外参？

这个问题我问过不少新人，很多人第一反应是“为了融合数据”。对，但不全对。让我从实际场景说起。

我在项目中遇到过这样一个情况：一辆测试车在园区里跑，激光雷达检测到前方3米处有个行人，但摄像头看到的行人却在图像左侧边缘。两个传感器各自为政，谁都不服谁。这时候外参就派上用场了——它告诉我们：激光雷达看到的那个点，在摄像头图像里应该对应哪个像素位置。

具体来说，障碍物检测需要外参的原因有这几个：

1. 数据对齐：不同传感器的数据必须在同一坐标系下才能比较。激光雷达的点云和摄像头的图像，没有外参就是两张皮。
2. 融合检测：多传感器融合时，需要知道每个传感器看到的障碍物是不是同一个。外参提供了空间上的对应关系。
3. 目标跟踪：当障碍物从一个传感器视野进入另一个传感器视野时，外参保证了跟踪的连续性。
4. BEV感知：现在流行的鸟瞰视角感知，本质上就是把所有传感器数据投影到统一的俯视图上，这离不开精确的外参。

1.3 外参在感知系统中的角色

如果把感知系统比作一个人的话，传感器是眼睛和耳朵，算法是大脑，那外参就是连接眼睛耳朵和大脑的神经通路。神经通路出了问题，再聪明的大脑也白搭。

外参在感知系统中扮演着三个关键角色：

角色	说明	实际影响
空间对齐器	将多传感器数据统一到同一坐标系	决定融合结果的准确性
时间同步辅助	配合时间戳，实现时空对齐	影响动态障碍物的检测精度
系统校准基准	作为传感器安装位置的参考	决定感知系统的鲁棒性

让我用一张图来展示外参在感知系统中的位置：

从这张图可以看得很清楚：外参是连接原始传感器数据和最终检测结果的桥梁。没有这座桥，数据就过不去。

1.4 外参标定的常见方法

说到外参标定，我踩过的坑可不少。早期做项目时，我们用手工测量加手动调整，结果跑起来发现误差大得离谱。后来才明白，外参标定必须用数学方法。

目前主流的外参标定方法有：

• 基于标定板的方法：用棋盘格或ArUco码，通过检测角点来求解外参。精度高，但需要人工干预。
• 基于自然特征的方法：利用道路上的车道线、路沿等特征自动标定。适合在线标定，但鲁棒性差一些。
• 基于SLAM的方法：通过多传感器同时定位与建图，联合优化外参。精度和自动化程度都高，但计算量大。

1.5 外参的维护与更新

外参不是标定一次就一劳永逸的。车辆在行驶过程中，传感器会因为振动、温度变化、碰撞等原因发生微小的位移。我见过一个案例，车辆过了一个大坑后，激光雷达的支架歪了2度，结果整个感知系统直接罢工。

所以，外参需要定期检查和更新。常用的做法有：

1. 离线标定：在车间或标定场地，用专业设备重新标定。精度最高，但费时费力。
2. 在线标定：车辆行驶过程中，利用环境特征自动检测外参变化并修正。实时性好，但精度有限。
3. 混合策略：平时用在线标定做微调，定期做离线标定做校准。这是目前工业界的主流做法。

嗯，说到这里，我想强调一点：外参的精度要求取决于你的应用场景。如果你只是做简单的障碍物检测，外参误差在0.5度以内可能就够了。但如果你要做高精度地图定位或者近距离的泊车感知，那外参误差必须控制在0.1度以内。