第三章 传感器标定：让多双眼睛对齐看世界

传感器标定这件事，说白了就是让激光雷达、IMU、相机这几双「眼睛」能对齐看同一个世界。我刚开始做多传感器融合时，总觉得算法调参才是核心，结果数据一进来，点云和图像对不上，IMU轨迹飘得离谱——嗯，那会儿我才明白，标定没做好，后面全是白搭。

3.1 激光雷达内参标定：让每一束激光都听话

激光雷达的内参，主要包括激光发射器的安装角度偏差、距离测量偏移、以及强度响应曲线。你想想看，一个64线激光雷达，64个发射器不可能完全平行安装，总会有那么几度甚至零点几度的偏差。

我常用的内参标定方法：

1. 平面法标定：让激光雷达扫描一个已知的平整墙面，通过点云拟合平面，反算每个激光束的俯仰角偏差。我在项目中遇到过，某款16线雷达的底部几线角度偏差达到0.3°，直接导致建图时地面出现「波浪」。
2. 球体法标定：放置多个标准球体，利用球心拟合来校准距离偏移。这个方法对近距离精度提升明显，我建议在1-5米范围内做。
3. 强度响应标定：用不同反射率的标定板，建立反射强度与实际距离、入射角的关系模型。说实话，大部分商用雷达出厂时已经做了，但如果你自己DIY雷达，这一步逃不掉。

3.2 激光雷达与IMU外参标定：让旋转和平移对齐

IMU和激光雷达的外参，就是它们之间的旋转矩阵R和平移向量t。这个标定做不好，LIO-SAM、FAST-LIO这类紧耦合算法基本没法用。

我推荐的标定流程：

步骤	操作	注意事项
1	采集静止数据（30秒以上）	IMU的bias会随时间漂移，静止数据用于初始化
2	做「8」字运动采集	充分激励IMU的加速度计和陀螺仪，避免退化运动
3	使用LiDAR-IMU标定工具（如lidar_align）	注意检查优化后的残差分布，异常值要剔除
4	验证标定结果	将点云投影到IMU坐标系，看运动轨迹是否平滑

这里有个坑：IMU和激光雷达的时间戳必须对齐。我遇到过最头疼的问题，就是两个传感器的时间基准差了50毫秒，结果标定出来的外参旋转角差了2°。后来我强制要求所有传感器用同一个PPS信号同步，问题才解决。

3.3 激光雷达与相机外参标定：让点云和图像「结婚」

激光雷达和相机的联合标定，本质上是找3D点云到2D图像的投影关系。说白了，就是让激光点能准确落在图像上对应的像素位置。

主流标定方法对比：

方法	原理	优点	缺点
棋盘格法	检测棋盘格角点，建立3D-2D对应	精度高，成熟稳定	需要人工干预，棋盘格尺寸要精确
自然场景法	利用边缘、平面等特征自动匹配	自动化程度高	对场景纹理要求高，鲁棒性一般
深度学习法	用神经网络直接回归外参	端到端，无需人工特征	需要大量标注数据，泛化性存疑

我个人习惯用棋盘格法，原因很简单：可解释性强。标定结果好不好，看一眼投影误差就知道。我建议棋盘格尺寸选300mm×300mm以上，格子数9×7或11×8，这样激光雷达能扫到足够多的点。

你想想看，如果标定误差在1个像素以内，那基本算合格了。我见过最夸张的案例，标定误差达到15个像素，结果点云投影到图像上，车尾灯的位置对到了车牌上——这要是做目标检测融合，肯定出大问题。

3.4 标定验证与质量评估

标定做完不等于万事大吉。我习惯做三件事来验证：

• 重投影误差检查：计算所有标定点投影到图像后的平均像素误差，<1像素为优秀，<3像素为可用
• 运动一致性检查：让传感器做旋转运动，看IMU积分轨迹和激光雷达里程计轨迹是否一致
• 长距离漂移测试：在100米外放置一个标志物，看标定后的投影是否稳定

这张图把传感器标定的知识体系串起来了。你会发现，内参标定是基础，外参标定是桥梁，验证评估是保障。三者缺一不可。

最后说一句：标定这件事，别指望一次搞定。传感器会老化，安装结构会松动，温度变化会影响精度。我建议每隔3-6个月重新标定一次，或者在系统出现异常时立即检查标定参数。