第四章：数据采集规范

做激光雷达标定这么多年，我踩过最大的坑，往往不是算法本身，而是数据采集环节。说白了，你算法再牛，喂进去的数据是垃圾，出来的结果也是垃圾。这一章，我就把数据采集的那些门道，掰开了揉碎了讲给你听。

4.1 采集场景要求

先说说场景。不是随便找个空地就能标定的。我见过有人在地下停车场采集数据，结果点云全是墙壁和柱子，标定出来一塌糊涂。

场景选择的核心原则：

开阔空间：至少10m×10m的空旷区域，四周不要有太多遮挡物
光照稳定：避免强光直射或阴影剧烈变化，阴天其实是最理想的
地面平整：地面起伏不要超过5cm，否则会影响地面提取
无动态干扰：行人、车辆等移动物体越少越好

我的小习惯：每次采集前，我会先在场地走一圈，用手机拍几张全景照片。这样后期如果标定结果异常，还能回头排查是不是场景出了问题。

你可能会问：为什么光照会影响激光雷达？嗯，虽然激光雷达不依赖可见光，但标定板上的反光材料在不同光照下反射特性会有变化。我遇到过夏天正午采集的数据，标定板边缘点云明显稀疏，就是因为太阳光太强，干扰了激光接收器。

4.2 标定板摆放策略

标定板怎么摆，这里面学问大了。我刚开始做标定时，随便摆几个位置就开始采，结果算法怎么都收敛不了。后来才明白，标定板的位姿分布，直接决定了标定参数的可观性。

标定板摆放的黄金法则：

覆盖整个视场：标定板要出现在激光雷达视场的各个角落——左上、右上、左下、右下、正前方
距离多样化：从2米到15米，每隔2-3米采集一组数据
角度变化：标定板平面与激光束的夹角从30°到90°都要覆盖
高度分层：标定板中心高度从0.5m到2.0m，每0.3m一个层级

一个典型的采集方案（我常用的）：

距离：2m, 4m, 6m, 8m, 10m, 12m, 15m
水平角度：-45°, -30°, -15°, 0°, 15°, 30°, 45°
俯仰角度：-20°, -10°, 0°, 10°, 20°
每个位姿采集3帧，取平均

这样算下来，一共7×7×5×3 = 735帧数据。听起来多，但实际采集也就半小时。

我曾经在一个项目中偷懒，只摆了5个位置就收工了。结果标定出来的外参，在远距离目标上误差达到了20cm。后来老老实实补采了一轮，误差降到了3cm以内。所以，别嫌麻烦。

4.3 数据质量检查

数据采完了，别急着跑算法。先做一轮质量检查，能帮你省下大量调试时间。

检查清单：

检查项	合格标准	常见问题
标定板点云完整性	标定板表面点云覆盖率 > 80%	标定板反光太强或太弱
点云密度均匀性	相邻扫描线间距偏差 < 20%	激光雷达安装角度不当
地面点云平整度	地面拟合残差 < 2cm	地面有坡度或杂物
帧间一致性	同一位置连续3帧偏差 < 1cm	传感器抖动或环境变化

我写了一个简单的检查脚本，每次采集完都会跑一遍：

import numpy as np
import open3d as o3d

def check_point_cloud_quality(pcd, board_bbox):
    """
    检查标定板点云质量
    pcd: open3d点云对象
    board_bbox: 标定板边界框 [xmin, ymin, zmin, xmax, ymax, zmax]
    """
    # 提取标定板区域点云
    points = np.asarray(pcd.points)
    mask = ((points[:, 0] > board_bbox[0]) & 
            (points[:, 0] < board_bbox[3]) &
            (points[:, 1] > board_bbox[1]) & 
            (points[:, 1] < board_bbox[4]) &
            (points[:, 2] > board_bbox[2]) & 
            (points[:, 2] < board_bbox[5]))
    
    board_points = points[mask]
    
    # 计算覆盖率
    board_area = (board_bbox[3]-board_bbox[0]) * (board_bbox[4]-board_bbox[1])
    point_density = len(board_points) / board_area
    
    print(f"标定板点云数量: {len(board_points)}")
    print(f"点云密度: {point_density:.2f} 点/m²")
    
    # 检查点云是否均匀分布
    if point_density < 100:
        print("⚠️ 警告：点云密度偏低，建议重新采集")
    else:
        print("✅ 点云密度合格")
    
    return board_points

避坑指南：我曾经遇到过标定板点云看起来没问题，但算法就是收敛不了。排查了半天，发现是标定板边缘有反光条，导致边缘点云出现系统性偏移。从那以后，我每次都会用可视化工具把标定板区域的点云放大看一遍，确认没有异常点。

4.4 数据采集流程总结

好了，我把整个流程串起来，给你一个可以直接用的操作手册：

场地准备（10分钟）：选好场地，清理杂物，拍照记录
设备检查（5分钟）：确认激光雷达清洁、标定板完好、供电稳定
预采集（5分钟）：随便摆几个位置，跑一遍检查脚本，确认系统正常
正式采集（30分钟）：按照前面说的位姿方案，逐点采集
质量检查（10分钟）：跑完整检查流程，不合格的位姿重新采集
数据归档（5分钟）：按日期+场景命名文件夹，保存原始数据和检查日志

整个流程下来，大概1小时。别觉得慢，我见过太多人为了省这1小时，后面花了一整天去排查标定误差。

我的经验：数据采集就像做饭前的备菜。菜切得不好，再好的厨艺也白搭。所以，每次采集我都亲自盯着，不放心交给实习生。这不是不信任，而是吃过太多亏了。

最后说一句：数据采集规范这件事，看起来简单，但真正能做到位的人不多。你想想看，标定算法就那么几个参数，能出问题的环节其实很少。大部分标定失败，追根溯源，都是数据采集环节埋下的坑。

可可精品资料库

📚 课程目录

第四章：数据采集规范

4.1 采集场景要求

4.2 标定板摆放策略

4.3 数据质量检查

4.4 数据采集流程总结