1. 外参标定基础：坐标系定义、刚体变换、李群与李代数基础

大家好，我是你们的老朋友。今天咱们开始聊外参标定。说实话，这玩意儿我刚开始接触的时候也觉得头大，一堆坐标系转来转去，稍不留神就搞混了。但后来我发现，只要把几个核心概念吃透，后面就顺了。

外参标定，说白了就是搞清楚两个传感器之间的“相对位置和朝向”。比如你的相机和激光雷达装在一起，它们各自看到的世界，怎么才能对齐？这就是外参要解决的问题。

做SLAM和标定，坐标系是绕不开的坎。我个人习惯把坐标系分成三类：

嗯，这里要注意一个坑：不同厂家对坐标轴的定义可能不一样。比如有的相机Z轴朝前，有的Z轴朝上。我在项目中遇到过，两个传感器明明物理上装好了，但标定出来的结果就是不对。后来一查，原来是坐标系定义没统一。所以，动手之前，先把每个传感器的坐标系定义文档翻出来看清楚。

核心原则：所有坐标变换，必须明确“从哪个坐标系到哪个坐标系”。写代码时，我习惯在变量名里带上坐标系后缀，比如 p_cam 表示相机坐标系下的点，p_world 表示世界坐标系下的点。这招帮我避免了很多低级错误。

两个坐标系之间的关系，可以用一个刚体变换来描述。它包含两部分：

一个点从坐标系 A 变换到坐标系 B，公式很简单：

p_b = R * p_a + t

但实际工程中，我们更喜欢用齐次坐标，把旋转和平移合并成一个 4x4 的变换矩阵 T：

| R  t |
| 0  1 |

这样，连续变换就可以直接矩阵相乘了。比如从激光雷达到相机，再到世界坐标系：

T_world_cam = T_world_lidar * T_lidar_cam

你看，是不是清爽多了？

小技巧：写代码时，我习惯用 Eigen 或 Sophus 库来管理变换矩阵。手写矩阵乘法？别闹了，容易出错。我曾经手写过一个旋转矩阵，结果符号搞反了，标定出来的外参直接把点云映射到了地底下……嗯，从那以后我再也不敢手撸了。

你可能会问：旋转矩阵 R 不是挺好的吗？为什么还要搞什么李群李代数？

原因很简单：优化问题需要求导。旋转矩阵 R 是正交矩阵，有约束条件（R^T R = I），直接对它求导非常麻烦。而李代数是一个无约束的向量空间，求导就方便多了。

说白了，李群和李代数就是一对“好基友”：

它们之间通过指数映射和对数映射相互转换：

R = exp(φ^)    // 从李代数到李群
φ = log(R)     // 从李群到李代数

其中 φ 是一个三维向量，φ^ 是它的反对称矩阵。这个映射关系，我在做图优化的时候几乎天天用。

避坑指南：我曾经在优化外参时，直接对旋转矩阵的9个元素做优化，结果优化出来的矩阵根本不是正交矩阵，导致后续计算全崩了。后来改用李代数参数化，问题迎刃而解。记住：优化旋转，永远用李代数。

为了让你更直观地理解本章的知识结构，我画了一张图：

这张图把本章的三个核心模块串起来了。你想想看，坐标系定义是基础，刚体变换是工具，李群李代数是优化手段。三者缺一不可。

最后，我想分享一点个人经验。很多初学者喜欢一上来就调代码、跑标定程序，结果出了问题根本不知道错在哪。我的建议是：先把坐标系画出来。

拿张纸，画出你的传感器安装位置，标出每个坐标系的原点和轴方向。然后手动推导一下变换关系。这一步虽然看起来“土”，但能帮你理清思路。我在做多传感器融合项目时，每次都会先画这个图，哪怕只是草稿。

好了，这一章的内容就到这里。记住：坐标系是根，变换是干，优化是枝叶。根扎稳了，后面的标定工作才能枝繁叶茂。

本章要点回顾：

可可精品资料库