2、传感器标定：内参、外参标定对变换精度的影响
传感器标定这件事，说白了就是给传感器“配眼镜”。
你想想看，一个摄像头或者激光雷达，出厂时多少有点“近视”或者“散光”。内参标定就是矫正它自己的视力问题。而外参标定呢，是让两个传感器“对上眼”——知道它们之间到底谁在左边、谁在右边，角度差了多少。
我在项目里见过太多人，算法调得再好，标定一塌糊涂，最后坐标变换全崩了。嗯，今天我们就来聊聊这里面的门道。
2.1 内参标定：传感器的“出厂矫正”
内参，是传感器自身的固有参数。对于相机来说，就是焦距、主点、畸变系数。对于激光雷达，就是扫描角度、距离偏移量。
为什么内参重要？
因为坐标变换的第一步，是把传感器原始数据转换到传感器坐标系。如果这一步就歪了，后面再怎么变换都是错的。
核心结论：内参误差会直接导致测量点云或图像像素的位置偏移。在远距离场景下，这种偏移会被放大。
我记得有一次做多传感器融合，相机和激光雷达怎么都对不齐。折腾了两天，最后发现是相机内参用了出厂默认值。重新标定后，问题直接解决。
2.1.1 相机内参标定要点
- 棋盘格标定法：最经典的方法。采集20-30张不同角度的棋盘格图像。
- 关键参数：fx, fy（焦距）, cx, cy（主点）, k1, k2, p1, p2（畸变系数）。
- 重投影误差：标定完成后，检查重投影误差。一般小于0.5像素才算合格。
我的习惯：标定完成后，我会拍一张棋盘格放在画面中央和边缘，手动验证一下畸变矫正效果。边缘的直线如果还是弯的，说明标定不够好。
2.1.2 激光雷达内参标定
激光雷达的内参相对简单，但容易被忽略。
- 距离偏移：由于激光发射和接收的延迟，测距会有固定偏差。
- 角度偏移：每个激光束的发射角度可能有微小偏差。
- 强度校正：不同距离、不同材质的反射强度需要归一化。
我曾经遇到一个案例：一台16线激光雷达，建图时总出现“重影”。排查后发现是某个激光束的角度偏差了0.1度。在100米外，这个偏差造成了17厘米的误差。嗯，0.1度看起来很小，但后果很严重。
2.2 外参标定：传感器之间的“握手协议”
外参，描述的是两个传感器坐标系之间的旋转和平移关系。比如相机和激光雷达之间，或者IMU和相机之间。
外参标定的精度，直接决定了多传感器融合的效果。
警告：外参标定不是一次性的。传感器安装位置如果发生微小位移（比如车辆颠簸导致支架松动），外参就会变化。我建议每次开机做一次在线标定校验。
2.2.1 常见外参标定方法
| 方法 | 适用场景 | 精度 | 难度 |
|---|---|---|---|
| 手动测量 | 粗略安装 | 厘米级 | 低 |
| 标定板法 | 实验室/工厂 | 毫米级 | 中 |
| 自然场景法 | 现场/在线 | 厘米级 | 高 |
| 手眼标定 | 机械臂+传感器 | 亚毫米级 | 高 |
我个人最推荐标定板法。虽然需要准备标定板，但精度可控，复现性好。
2.2.2 相机-激光雷达联合标定
这是最经典的外参标定场景。核心思路是：找到激光雷达点云中的特征点，与图像中的对应像素点建立匹配关系。
# 伪代码：相机-激光雷达外参标定流程
1. 采集数据：同时录制相机图像和激光雷达点云
2. 特征提取：在图像中检测棋盘格角点，在点云中提取棋盘格平面
3. 建立对应：将点云中的棋盘格角点投影到图像平面
4. 优化求解：最小化重投影误差，求解R和t
5. 验证：用标定后的外参投影点云到图像，检查对齐效果避坑指南：我曾经犯过一个错误——只用了一组数据做标定。结果外参在某个角度很准，换个角度就偏了。后来我学乖了，至少采集5组不同距离、不同角度的数据，联合优化。
2.3 标定误差对变换精度的影响分析
我们来定量分析一下。假设外参的旋转误差为δθ，平移误差为δt，目标点距离传感器为d。
那么，由旋转误差引起的点位置误差大约是：d × tan(δθ)。
举个例子：
- 如果δθ = 0.5度，d = 10米，误差 ≈ 8.7厘米
- 如果δθ = 0.5度，d = 50米，误差 ≈ 43.6厘米
- 如果δθ = 0.1度，d = 50米，误差 ≈ 8.7厘米
看到了吗？距离越远，旋转误差的影响越恐怖。所以远距离感知任务（比如自动驾驶的高速场景），对外参精度的要求极高。
经验数据：对于自动驾驶应用，外参旋转误差应控制在0.1度以内，平移误差控制在1厘米以内。对于室内机器人，可以放宽到0.5度和2厘米。
2.4 标定流程与工具推荐
我整理了一套我自己常用的标定流程，供你参考：
- 准备阶段：选择合适的标定板（棋盘格或AprilTag），固定传感器安装位置。
- 数据采集：确保标定板在传感器视野内，采集多角度、多距离的数据。
- 内参标定：先标定每个传感器的内参，确保内参准确。
- 外参标定：使用联合标定工具，求解外参。
- 验证：用独立的数据集验证标定结果，检查重投影误差。
- 部署：将标定参数写入配置文件，并在实际场景中测试。
工具方面，我常用的是：
- 相机内参：OpenCV的calibrateCamera()
- 激光雷达内参：厂商提供的标定工具
- 相机-激光雷达外参：Autoware的标定工具包，或者自己写优化代码
- 多传感器联合标定：Kalibr（支持相机+IMU）
2.5 本章知识体系
下面这张图，是我梳理的传感器标定对变换精度影响的核心逻辑。你可以把它当作一个检查清单：
这张图的核心逻辑很简单：内参和外参共同决定了坐标变换的精度。任何一个环节出问题，最终都会反映在变换结果上。
最后说一句：标定这件事，看起来枯燥，但它是所有上层算法的基石。我见过太多团队花几个月调算法，却不愿意花一天做标定。结果呢？算法在仿真里跑得飞起，一上真机就崩。嗯，别走这条路。
可可精品资料库