2. 误差来源分析：传感器噪声、特征点提取误差、时间同步误差

做外参标定这些年，我踩过最多的坑，其实不是算法本身，而是那些藏在数据里的“小毛病”。你想想看，标定结果不准，很多时候不是公式错了，而是输入的数据本身就带着“毒”。今天咱们就来扒一扒，这些毒到底从哪来。

我个人习惯把误差来源分成三大类：传感器自己的毛病、特征点提取时引入的偏差、以及时间不同步造成的混乱。这三兄弟，任何一个出来捣乱，标定结果都得翻车。

2.1 传感器噪声：躲不掉的“底噪”

先说传感器噪声。说白了，任何传感器都不是完美的。相机有热噪声、读出噪声，激光雷达有测距噪声，IMU有零偏和随机游走。这些噪声就像录音时的底噪，你没法完全消除，只能尽量压低。

我记得有一次在产线上做标定，同一组相机拍了十次棋盘格，每次解出来的外参都不一样。一开始我以为是算法有问题，折腾了两天。后来才发现，是相机增益调得太高，暗部噪声直接淹没了角点信息。嗯，这里要注意：传感器噪声不是白噪声，它往往和光照、温度、增益设置强相关。

常见的传感器噪声类型，我整理了一张表：

传感器类型	主要噪声源	典型影响
相机	散粒噪声、读出噪声、暗电流	特征点坐标抖动，亚像素精度下降
激光雷达	测距噪声、角度量化误差	点云位置偏差，平面拟合不准
IMU	零偏不稳定性、角度随机游走	姿态积分发散，时间对齐困难

2.2 特征点提取误差：差之毫厘，谬以千里

接下来是特征点提取误差。这个我太有感触了。你想想看，外参标定本质上是在找两个传感器之间的对应关系。如果对应点本身就不准，那算出来的外参能准吗？

特征点提取误差主要来自三个方面：

• 角点检测精度：棋盘格角点检测，理论上能做到亚像素精度。但实际中，如果图像有畸变、光照不均匀，或者棋盘格本身打印质量差，检测精度会急剧下降。
• 特征匹配错误：用SIFT、ORB这些特征做匹配时，很容易出现误匹配。尤其是纹理重复的场景，比如一面全是窗户的墙。
• 标定板变形：这个很多人会忽略。棋盘格贴在平面上，如果平面本身不平，或者标定板受热变形，那提取出来的角点坐标本身就是错的。

我曾经在一个项目中，用3D打印的标定板做激光雷达和相机的联合标定。结果怎么标都不对，误差一直在5厘米以上。后来我用游标卡尺一量，发现标定板因为冷却不均匀，中间凸起了2毫米。你想想看，2毫米的物理变形，映射到点云和图像上，误差能不大吗？

2.3 时间同步误差：最隐蔽的“杀手”

最后说时间同步误差。这个误差最隐蔽，也最致命。为什么？因为传感器噪声和特征点误差，你至少能通过多次测量来平均掉。但时间不同步带来的误差，是系统性的，而且会随着运动速度增大而放大。

举个例子：你让一个机器人以1米/秒的速度运动，如果相机和激光雷达的时间差是50毫秒，那它们看到的场景在空间上就差了5厘米。这5厘米的偏差，会直接进入外参的优化方程，导致旋转和平移估计全部偏掉。

时间同步误差的常见原因：

• 硬件触发延迟：不同传感器的触发信号有固定的延迟，比如相机曝光需要时间，激光雷达扫描也有时间窗口。
• 软件时间戳不准：很多系统用ROS的时间戳，但ROS的时间戳是在数据到达驱动层时才打上的，不是传感器实际采集的时间。
• 时钟漂移：不同传感器的时钟源不同，长时间运行后会产生累积误差。

我个人习惯的做法是：先做硬件同步，再做软件补偿。硬件上，用同一个PPS信号触发所有传感器。软件上，记录每个传感器的时间戳和系统时钟的偏差，然后在数据处理时做插值对齐。

下面这张图，是我自己画的时间同步误差对平移估计的影响：

从这张图可以看得很清楚：当运动速度是2米/秒时，80毫秒的时间同步误差就能带来8厘米的平移偏差。这个量级，对于很多高精度应用来说，是完全不可接受的。

2.4 三种误差的耦合效应

这三种误差不是独立工作的。它们会互相放大。比如：传感器噪声大 → 特征点提取精度下降 → 时间同步误差更难补偿。你想想看，如果图像本身就有很多噪点，那角点检测的亚像素精度就会从0.1像素掉到0.5像素。这时候再叠加50毫秒的时间不同步，结果就是灾难性的。

我遇到过最极端的一个案例：一台AGV在仓库里做标定，地面有轻微震动，相机曝光时间又长，导致图像模糊。再加上激光雷达和相机的时间戳差了30毫秒，最后标出来的外参，旋转误差有2度，平移误差有3厘米。后来我把曝光时间调短，加了机械减震，又做了软件时间对齐，才把误差压到0.1度和0.5厘米以内。

好了，这一章的内容就到这里。下一章我们会聊怎么定量分析这些误差，以及如何设计实验来分离它们。到时候我会分享一个我自己写的误差分析脚本，挺实用的。