二、标定原理：外参标定与内参标定，旋转矩阵与平移向量

聊到标定原理，我习惯先把它拆成两件事来看：内参标定和外参标定。

说白了，内参是管「传感器自己准不准」的，外参是管「传感器之间配不配得齐」的。你想想看，如果激光雷达自己内部的光路都是歪的，那后面做再多坐标变换也是白搭。反过来，内参再准，两个传感器装在一起时角度没对齐，点云和图像照样对不上。

嗯，咱们一个一个说。

2.1 内参标定：让雷达自己先「站直」

激光雷达的内参，主要涉及激光发射器和接收器之间的几何关系。比如每个激光束的俯仰角、水平角偏移、距离零点偏移等等。

我在项目中遇到过一台16线雷达，点云出来地面是弧形的。排查了半天，发现是某个激光器的俯仰角出厂标定值偏了0.1度。你想想，0.1度在100米外就是17厘米的误差，这谁受得了？

内参标定通常需要借助高精度转台或已知几何特征的标定场。常见的做法是：

• 静态标定：将雷达固定，测量已知距离和角度的目标，反算内参偏差
• 动态标定：让雷达扫描平面或球体，通过点云拟合来优化内参

2.2 外参标定：让雷达和车身「对齐」

外参标定，说白了就是求一个旋转矩阵 R 和一个平移向量 t，把激光雷达坐标系下的点，变换到车体坐标系（或其它传感器坐标系）下。

公式很简单：

P_车体 = R * P_雷达 + t

其中：

• R：3×3 的旋转矩阵，描述两个坐标系之间的旋转关系
• t：3×1 的平移向量，描述两个坐标系原点之间的偏移

为什么是3×3？因为三维空间里的旋转，用三个自由度就够了（绕x轴、y轴、z轴各转多少）。但直接用角度算起来容易出万向锁，所以工程上更常用四元数或旋转矩阵来表达。

2.3 旋转矩阵的几何意义

旋转矩阵的每一列，其实代表的是原坐标系各轴在目标坐标系下的方向向量。举个例子：

R = [[r11, r12, r13],
     [r21, r22, r23],
     [r31, r32, r33]]

第一列 [r11, r21, r31]^T 就是雷达x轴在车体坐标系下的方向

我个人习惯用欧拉角来理解旋转顺序，但实际代码里一定用旋转矩阵或四元数。为什么？因为欧拉角有歧义——同样的角度，按不同顺序转，结果完全不同。

2.4 平移向量：别小看那几厘米

平移向量 t 就是两个坐标系原点之间的偏移。比如雷达装在车顶前方20厘米、偏左10厘米、高1.5米，那 t 就是 [0.2, -0.1, 1.5]^T（具体正负取决于坐标系定义）。

有人觉得平移向量好测，拿尺子量一下就行。但我在实际项目中发现，机械安装误差和雷达自身外壳的参考点不明确，会导致量出来的值和真实值差好几厘米。

所以我的建议是：

• 先用尺子量个大概，作为初值
• 再用标定算法（比如手眼标定、PnP）做精细优化
• 最后用点云投影到图像上做可视化验证

2.5 外参标定的常见方法

实际工程中，外参标定主要有三种路子：

1. 基于标定物的方法：放个棋盘格或立方体，让雷达和相机同时看到，然后找对应点算R和t。精度高，但操作麻烦。
2. 基于自然特征的方法：利用道路上的车道线、杆状物等特征做匹配。适合在线标定，但鲁棒性差一些。
3. 基于运动的方法：让车辆走一段路，利用IMU/里程计和雷达的轨迹来推算外参。我比较喜欢这种方法，因为它不需要标定场。

2.6 本章知识结构图

下面这张图，是我自己梳理标定原理时画的。它把内参、外参、旋转矩阵、平移向量之间的关系串了起来：

从这张图可以看得很清楚：内参标定是基础，外参标定是目标。而外参标定的核心，就是求出一个靠谱的旋转矩阵 R 和一个精确的平移向量 t。两者合在一起，才能完成坐标变换。