一、外参标定概述：什么是外参、为什么需要标定、核心目标与评价指标
大家好，我是你们的老朋友。今天咱们正式开始聊外参标定。
说实话，这个主题我讲了不下几十次了。但每次讲，我都能从学员的提问里发现新的盲区。所以这一章，咱们把地基打牢。
1.1 什么是外参？
外参，全称叫「外部参数」。它描述的是两个传感器坐标系之间的相对位姿关系。
举个例子。你车上装了一个激光雷达，一个摄像头。激光雷达看到的是三维点云，摄像头看到的是二维图像。这两个数据怎么融合？
答案就是：你得知道激光雷达坐标系原点，相对于摄像头坐标系原点，到底偏移了多少、旋转了多少。
这个偏移和旋转，就是外参。
数学上，外参通常用一个 4×4 的齐次变换矩阵来表示：
T = [ R t ]
[ 0 1 ]其中 R 是 3×3 的旋转矩阵，t 是 3×1 的平移向量。
我个人习惯把外参理解为「翻译官」。它把激光雷达说的话，翻译成摄像头能听懂的语言。没有这个翻译官，两个传感器就是鸡同鸭讲。
1.2 为什么需要标定？
你可能会问：出厂的时候厂家不是已经装好了吗？为什么还要标定？
嗯，这里要注意。理论安装位置和实际安装位置，永远是两码事。
我在项目中遇到过一台机器人，激光雷达和摄像头之间的安装误差只有 2 度。结果呢？投影到 50 米外的目标，偏差达到了 1.7 米。这在自动驾驶里，直接就是车道级错误。
所以标定的必要性，说白了就三点：
- 消除安装误差：机械安装不可能绝对精确，总有几毫米、几角分的偏差
- 补偿长期漂移：车辆颠簸、温度变化、螺丝松动，都会让外参慢慢跑偏
- 实现数据融合：没有精确外参，多传感器融合就是空中楼阁
你想想看，如果外参不准，你做的目标检测、点云投影、SLAM 建图，全都会跟着歪掉。这就是为什么我常说：标定是 SLAM 系统的「第一块多米诺骨牌」。
1.3 标定的核心目标
标定的核心目标，其实就一句话：让两个传感器的观测数据，在空间上对齐到同一个坐标系下。
但这句话背后，藏着三个层次：
- 几何一致性：同一个物理点，在两个传感器中的观测坐标，经过外参变换后应该重合
- 时间一致性：两个传感器的数据采集时间戳要对齐，否则运动中的物体会产生「时空错位」
- 鲁棒性：标定结果不能因为某几帧噪声数据就剧烈抖动
我记得有一次做多线激光雷达和全景相机的联合标定。数据采集了 2000 帧，结果发现其中 30 帧因为车辆震动导致标定板抖动。如果直接全量优化，外参直接偏了 0.3 度。后来我加了一个鲁棒核函数，才把这个问题压下去。
核心目标总结：找到一组外参，使得所有观测数据的重投影误差最小化。
1.4 评价指标
标定做完了，怎么知道好不好？不能光靠感觉。我一般用以下几个指标来量化评价：
| 指标名称 | 计算公式 | 说明 |
|---|---|---|
| 重投影误差 (RE) | ||p_img - π(T·p_lidar)|| | 3D 点投影到图像后，与真实像素的欧氏距离 |
| 旋转角误差 | ||R_est - R_gt||_F | 估计旋转与真值旋转的 Frobenius 范数 |
| 平移误差 | ||t_est - t_gt|| | 估计平移与真值平移的欧氏距离 |
| 标定稳定性 | 多次标定结果的标准差 | 反映标定算法的重复性 |
这里面，重投影误差是最直观的。我一般要求 RE 均值小于 1 个像素，最大不超过 3 个像素。如果超过这个范围，我会怀疑标定数据质量有问题。
小技巧：标定完成后，可以做一个「可视化验证」。把激光雷达点云投影到图像上，看看点云边缘是否和图像中的物体边缘对齐。肉眼一看，比任何数值都直观。
1.5 知识体系总览
为了让大家对本章内容有个整体印象，我画了一张图。这张图把外参标定的核心逻辑串起来了：
避坑指南：我曾经见过一个团队，标定完只看重投影误差，觉得 0.5 像素已经很好了。结果实际跑 SLAM 时发现地图漂移严重。后来一查，是标定数据采集时标定板只覆盖了视野中心区域，边缘区域的外参根本没被约束住。
所以，评价指标一定要结合数据覆盖范围来看。光看数值漂亮没用，你得确保标定板在视野的各个角落都出现过。
好了，第一章就到这里。外参标定这件事，说难不难，说简单也不简单。关键是把基础概念吃透，后面学具体方法时才不会迷路。
可可精品资料库