2. 坐标系与空间变换：相机坐标系、车辆坐标系、世界坐标系、内参外参、投影变换与逆投影变换

做BEV感知，说白了就是跟坐标系打交道。我刚开始接触这个领域时，最头疼的就是这些坐标系来回倒腾。你想想看，相机看到的是2D图像，但我们要输出的是3D空间中的鸟瞰图，这中间差了整整一个维度。

嗯，今天我们就来彻底搞明白这件事。

2.1 四大坐标系，一个都不能少

在BEV感知中，我们通常要处理四个坐标系。我个人习惯把它们分成两组：传感器坐标系和世界坐标系。

我在项目中遇到过一个问题：团队里有人把相机坐标系的Y轴方向搞反了，结果投影出来的BEV图整个上下颠倒。排查了整整两天才找到原因。所以，坐标系定义一定要统一，这是血的教训。

2.2 相机内参：从3D到2D的钥匙

相机内参，说白了就是描述相机本身光学特性的参数。它负责把相机坐标系下的3D点投影到像素平面上。

内参矩阵通常写成这样：

K = [[fx,  0, cx],
     [ 0, fy, cy],
     [ 0,  0,  1]]

其中：

• fx, fy：焦距，单位是像素。注意，这里不是物理焦距，而是物理焦距 × 像素密度。
• cx, cy：主点偏移，通常是图像中心，但实际生产中会有偏差。

投影公式很简单：

pixel_u = fx * (X_cam / Z_cam) + cx
pixel_v = fy * (Y_cam / Z_cam) + cy

为什么会这样？其实就是相似三角形原理。你想想看，相机成像本质上就是小孔成像模型。

2.3 相机外参：把相机放到车上去

相机外参解决的是「相机相对于车辆（或世界）的位置和朝向」问题。它由一个旋转矩阵R和一个平移向量t组成。

P_vehicle = R * P_camera + t

这里有个坑：旋转矩阵的表示方式。我见过有人用欧拉角，有人用四元数，还有人用旋转向量。在BEV感知中，我建议统一用旋转矩阵，因为后续做投影变换时矩阵运算最方便。

2.4 世界坐标系：全局的锚点

世界坐标系是BEV感知的终极目标空间。在自动驾驶中，通常以车辆起始位置或GPS原点作为世界坐标系原点。

从车辆坐标系到世界坐标系的变换，其实就是车辆的位姿：

P_world = R_vehicle_to_world * P_vehicle + t_vehicle

这里R_vehicle_to_world和t_vehicle通常来自IMU+GPS的融合定位结果。

2.5 投影变换：从3D到2D的完整链路

把上面所有的变换串起来，就得到了完整的投影公式：

pixel = K * [R_cam_to_vehicle | t_cam_to_vehicle] * [R_vehicle_to_world | t_vehicle_to_world] * P_world

这个公式看起来复杂，但说白了就是：世界点 → 车辆坐标系 → 相机坐标系 → 像素坐标系。

在BEV感知中，我们经常要做的是逆投影变换：给定图像上的一个像素，找到它在世界坐标系中对应的3D点。但这里有个问题——单目相机无法恢复深度信息。

2.6 逆投影变换的工程实现

在实际的BEV感知系统中，我们通常这样做逆投影：

1. 预定义BEV网格：在世界坐标系中定义一个固定大小的BEV平面（比如前后各50米，左右各25米），划分成网格。
2. 计算每个网格中心点的世界坐标：比如网格大小0.5米，那么每个网格中心点都有一个明确的世界坐标。
3. 投影到图像上：用上面的投影公式，把每个网格中心点投影到各个相机的图像上。
4. 采样特征：在投影位置采样图像特征，填充到BEV网格中。

这个流程在LSS（Lift-Splat-Shoot）方法中被广泛使用。我个人觉得，理解这个流程是理解BEV感知的第一道门槛。

2.7 知识体系总览

下面这张图总结了本章的核心逻辑：

2.8 工程实践中的几个坑

最后，分享几个我在实际项目中踩过的坑：

• 坐标系方向：不同传感器厂商对坐标轴的定义可能不同。比如有的激光雷达Z轴向上，有的Z轴向下。一定要仔细看手册。
• 外参标定精度：外参标定误差1度，在50米处就会产生约0.87米的偏差。这在BEV感知中是致命的。
• 时间同步：相机和IMU的时间戳必须对齐。我曾经遇到过因为时间戳偏差导致投影结果抖动的问题。
• 浮点数精度：在计算投影时，尽量使用double而不是float。尤其是在做逆投影时，精度损失会被放大。

嗯，坐标系与空间变换这部分就讲到这里。理解了这个基础，后面讲BEV特征提取和时序融合时，你就会觉得顺理成章了。