3、坐标系与标定：车辆坐标系、世界坐标系、传感器标定与联合标定
说实话，坐标系和标定这块，是自动驾驶里最基础但也最容易翻车的地方。我见过不少团队，算法模型调得漂漂亮亮，结果上路一跑，感知和规划对不上——最后发现是坐标系没对齐。嗯，今天我们就来把这层窗户纸捅破。
3.1 车辆坐标系：车到底怎么描述自己？
车辆坐标系，说白了就是车自己看自己的方式。我习惯把它叫做「车体坐标系」。它的原点通常在后轴中心，或者车辆质心。为什么是后轴中心？因为车辆的运动学模型，说白了就是绕着后轴转的。
- X轴：指向车辆前进方向（正前方）
- Y轴：指向车辆左侧（符合右手定则）
- Z轴：指向车辆上方（垂直地面）
重要提醒：不同车厂对Y轴方向的定义可能不同。有的用「左正右负」，有的用「右正左负」。我在做项目时吃过这个亏——两个模块联调，轨迹偏移了半米，查了两天才发现是Y轴方向定义反了。
车辆坐标系是动态的。车在转弯时，坐标系也跟着转。所以它只适合描述「相对于车本身」的东西，比如：
- 传感器安装在车的什么位置
- 障碍物在车的哪个方向
- 规划出的轨迹相对于车的位置
3.2 世界坐标系：把车放到地图里
世界坐标系是固定不动的。它把车、障碍物、道路都放到同一个空间里。常用的有UTM坐标系（通用横轴墨卡托）或WGS84经纬度坐标系。
你想想看，如果只用车辆坐标系，车往前走10米，坐标系也跟着走了10米。那之前检测到的障碍物位置就全乱了。所以必须有一个「不动」的坐标系来兜底。
世界坐标系和车辆坐标系之间，靠的就是位姿变换。车的位姿通常用 (x, y, yaw) 表示，其中 yaw 是航向角。有了这个，就能把车体坐标系下的点，映射到世界坐标系里。
我的经验：在实际项目中，我建议把世界坐标系的原点选在场景的几何中心，或者选在车辆启动时的位置。这样数值不会太大，计算精度也更高。我曾经遇到过因为坐标值太大（几十万米），导致浮点数精度丢失的问题——嗯，那真是血泪教训。
3.3 传感器标定：让每个传感器知道自己在哪
传感器标定，就是确定传感器相对于车辆坐标系的安装位置和姿态。说白了，就是告诉算法：「摄像头装在车顶偏左10厘米，朝前偏下5度」。
常见的传感器标定包括：
- 相机内参标定：焦距、畸变系数、主点位置
- 相机外参标定：相机相对于车辆坐标系的旋转和平移
- 激光雷达标定：LiDAR相对于车辆坐标系的位姿
- 毫米波雷达标定：雷达安装角度和位置
标定的方法有很多，比如用棋盘格、用标定板、或者用自然特征点。我个人比较喜欢用棋盘格——简单、稳定、可复现。
注意：标定不是一劳永逸的。车辆在行驶中，传感器可能会因为振动、碰撞而轻微移位。我建议每3个月或者每次事故后，重新做一次标定检查。我曾经遇到过一台车，标定数据用了半年，结果发现摄像头支架松了，偏了0.3度——在100米外，这个误差就是0.5米，足以让车道线检测出错。
3.4 联合标定：让所有传感器「说同一种语言」
联合标定，就是把多个传感器的数据对齐到同一个坐标系下。比如，激光雷达检测到一个障碍物，摄像头也检测到同一个障碍物——怎么知道它们是同一个东西？
这就需要联合标定。它解决的是「传感器之间的相对位姿」问题。常见的联合标定组合有：
- 相机 + LiDAR：把LiDAR点云投影到图像上
- 相机 + 毫米波雷达：把雷达目标映射到图像坐标系
- 多相机联合标定：环视相机之间的位姿关系
联合标定的核心，就是求解一个变换矩阵 T，使得同一个物体在不同传感器下的观测值，在空间上对齐。这个 T 包含旋转矩阵 R 和平移向量 t。
// 联合标定的核心公式
// 将LiDAR坐标系下的点 P_lidar 转换到相机坐标系
P_cam = R * P_lidar + t
// 再投影到图像平面
pixel = K * P_cam // K是相机内参矩阵关键点：联合标定的精度，直接决定了感知融合的效果。如果标定误差超过0.1度，在50米外就会产生约8厘米的偏差。对于车道级定位来说，这个误差已经不可接受了。
3.5 坐标系与标定的知识体系
下面这张图，是我自己梳理的坐标系与标定的知识结构。你可以把它当作一个「地图」，方便理解各个模块之间的关系。
3.6 标定流程与注意事项
标定这件事，说起来简单，做起来全是坑。我总结了一个标准流程：
- 准备标定物：棋盘格、标定板、或者有明确特征的环境
- 采集数据：在不同位置、不同角度采集多组数据
- 特征提取：从图像中提取角点，从点云中提取平面或边缘
- 求解变换：用最小二乘法或优化方法求解R和t
- 验证：用未参与标定的数据做验证，看投影误差是否在阈值内
避坑指南：我曾经在标定时只采集了10组数据，结果标定结果在某个角度下误差很大。后来我改成采集30组以上，覆盖不同距离和角度，标定结果就稳定多了。另外，标定场地的光照也很重要——太暗或太亮都会影响角点检测精度。
3.7 标定精度对轨迹安全裕度的影响
你可能觉得标定误差几毫米、零点几度没什么大不了的。但放到实际场景里，影响非常大。
举个例子：
- 标定误差0.1度，在50米处产生约8.7厘米的横向偏差
- 标定误差0.5度，在100米处产生约87厘米的横向偏差
对于车道宽度3.5米来说，87厘米的偏差意味着车辆可能已经压线甚至跑到隔壁车道去了。而轨迹安全裕度通常只有20-30厘米——标定误差直接吃掉了一大半裕度。
所以我的建议是：在做轨迹规划时，一定要把标定误差作为一个不确定性因素，加入到安全裕度的计算中。不要以为标定完了就万事大吉——标定误差是系统误差，它不会因为时间平均而消失。
好了，坐标系和标定这块，说白了就是「把每个传感器看到的物体，放到同一个空间里」。基础打牢了，后面的感知融合、轨迹规划才能站得住脚。嗯，今天就先聊到这里。