一、外参标定概述

外参，说白了就是描述两个传感器之间「相对位置和朝向」的一组参数。

举个例子。你车上装了一个激光雷达，又装了一个摄像头。激光雷达看到的世界是三维点云，摄像头看到的是二维图像。这两个数据怎么对齐？靠的就是外参。

外参通常包含两部分：

用数学公式表达就是：

P_cam = R * P_lidar + t

其中 P_lidar 是激光雷达坐标系下的一个点，P_cam 是它在相机坐标系下的对应点。R 和 t 合起来，就是外参。

我个人习惯把外参理解成「传感器之间的桥梁」。没有这座桥，你采集到的多模态数据就是孤岛，谁也连不上谁。

这个问题，我在项目里吃过不少亏。

有一次做自动驾驶的融合定位，IMU 和 GNSS 的外参标定差了 0.5 度。你猜怎么着？车辆直线行驶时还好，一旦转弯，定位误差直接飙到 30 厘米以上。0.5 度啊，肉眼根本看不出来，但系统就是崩了。

为什么会这样？

因为外参误差会随着距离放大。你想想看：

这在自动驾驶里是致命的。一个车道才 3.5 米宽，87 厘米的偏差足以让车辆「骑」到隔壁车道上去。

核心结论：外参精度直接决定了多传感器融合定位的上限。传感器本身再贵、算法再好，外参不准，一切都是白搭。

另外，外参还会影响状态估计的一致性。做 EKF 融合时，如果外参不准，不同传感器观测到的同一个物体就会「对不上」，导致滤波器发散。嗯，这个坑我踩过不止一次。

外参标定不是某个领域的专属需求。只要涉及多传感器协同，基本都绕不开它。我挑三个典型场景聊聊。

自动驾驶是外参标定需求最旺盛的领域。一辆典型的 L4 级自动驾驶车，传感器配置大概是这样：

这些外参中任何一个出问题，都会直接影响感知和定位模块的输出质量。我记得有一次在高速测试，车辆突然急刹，排查了半天才发现是相机和 LiDAR 的外参因为颠簸发生了微小偏移。

机器人领域的外参标定，和自动驾驶有相似之处，但也有自己的特点。

做机器人项目时，我经常遇到一个问题：机器人跑着跑着，定位就飘了。查到最后，往往是外参在长时间振动下发生了松动。所以我现在做机器人标定，都会加一个「在线监测」模块，实时评估外参是否还可靠。

AR/VR 对外参的要求，比自动驾驶和机器人更苛刻。

为什么？因为人眼对角度误差极其敏感。你戴上 VR 头显，如果左右眼对应的画面有 0.1° 的偏差，人就会感到眩晕。这在自动驾驶里可能还能忍，但在 AR/VR 里是绝对不行的。

AR/VR 设备通常包含：

这些传感器之间的外参，需要在出厂前做精密标定，而且标定精度通常要达到 0.01° 级别。我参与过一个 AR 眼镜项目，光外参标定这一步就占了整个产线调试时间的 40%。

一个小建议：如果你刚开始接触外参标定，建议先从「相机-IMU」这对组合入手。这是最经典、资料最丰富、也是应用最广的外参标定场景。搞懂了它，其他传感器组合基本就是换汤不换药。

下面这张图，是我自己梳理的外参标定知识框架。你可以把它当作整个课程的地图：

注意：外参标定不是「标一次就完事」的工作。温度变化、机械振动、时间老化，都会导致外参漂移。我建议在系统设计阶段就把「在线标定」或「定期复标」的机制考虑进去，否则后期维护成本会非常高。

好了，这一章我们聊了外参是什么、为什么重要、以及哪些场景需要它。从下一章开始，我们会深入具体的标定方法，包括如何设计标定场景、如何选择标定算法、以及如何处理那些让人头疼的工程问题。

可可精品资料库