1. 外参标定概述：什么是高精地图外参、为什么需要标定、标定的核心目标与评价指标

先说说外参到底是什么。说白了，外参就是描述传感器之间相对位置和姿态的一组参数。

你想想看，一辆自动驾驶车上装了激光雷达、摄像头、毫米波雷达、IMU……这些传感器各自有各自的坐标系。激光雷达看到的是三维点云，摄像头拍到的是二维图像。它们看到的都是同一个世界，但描述方式完全不同。

外参，就是把这些不同传感器的坐标系关联起来的「桥梁」。具体来说，它包含：

所以一套完整的外参，一共是 6 个自由度。我习惯用欧拉角加平移向量来表示，但实际工程中更常用的是 4x4 的齐次变换矩阵。

核心公式：

P_camera = R * P_lidar + t

这个公式的意思就是：把激光雷达坐标系下的一个点 P_lidar，通过外参变换到相机坐标系下的 P_camera。

嗯，这里要注意——外参不是一成不变的。车开久了，传感器支架可能会松动，或者维修后重新安装，外参都会发生变化。这就是为什么我们需要定期做标定。

这个问题我经常被问到。有人觉得：「传感器出厂时不是已经标定好了吗？」

其实不是这样的。出厂时确实有初始标定，但那只是「粗标」。真正的高精地图外参标定，解决的是以下几个核心问题：

安装误差：传感器在车上的安装位置不可能绝对精确，哪怕偏差 1 厘米、0.1 度，在 100 米外就会产生几十厘米的误差。高精地图要求厘米级精度，你想想看，这个误差能忍吗？
时间漂移：车开久了，振动、温度变化都会导致传感器支架微变形。我在项目中遇到过一辆车，跑了 3 万公里后，激光雷达和相机的联合标定误差从 2 厘米漂移到了 15 厘米。
多传感器融合需求：高精地图建图需要融合激光雷达、相机、IMU、轮速计等多种数据。如果外参不准，融合出来的地图就是「重影」的——同一个物体在点云里一个位置，在图像里另一个位置。
更换传感器后的重标定：维修或更换传感器后，必须重新标定。我曾经遇到过客户换了摄像头，没做标定就直接上路，结果地图拼接出来全是错位的。

避坑指南：我曾经在一个项目中，因为外参标定误差 0.3 度，导致高精地图的横向误差达到了 50 厘米。这个误差在高速场景下直接让车辆偏离车道。所以标定这件事，真的不能马虎。

外参标定的核心目标，用一句话概括就是：让多传感器数据在空间上精确对齐。

具体来说，有以下几个子目标：

怎么判断标定得好不好？不能光靠感觉。我一般用以下几个量化指标：

指标	描述	高精地图要求
重投影误差	将激光雷达点云投影到图像上，与图像中对应特征点的像素偏差	< 2 像素
点云对齐误差	不同传感器观测同一平面/特征的距离偏差	< 2 cm
角度残差	标定后旋转矩阵与真值的角度偏差	< 0.05°
平移残差	标定后平移向量与真值的距离偏差	< 2 cm
标定稳定性	多次标定结果的标准差	旋转 < 0.02°，平移 < 1 cm

我个人最看重的是 重投影误差。为什么？因为这个指标最直观，也最容易在工程中验证。你拿一张标定板或者一个特征明显的场景，把激光雷达点云投影到图像上，肉眼就能看出对齐得好不好。

小技巧：我建议在标定完成后，做一个「可视化验证」——把激光雷达点云按照标定结果投影到相机图像上，然后叠加显示。如果车道线、路沿、标志牌这些特征在点云和图像中完美重合，那标定基本就没问题了。

为了让你对整个外参标定有个全局认识，我画了一张图：

这张图把外参标定的四个核心模块串起来了。从「什么是外参」出发，到「为什么需要标定」，再到「核心目标」和「评价指标」，这就是我们整个课程的基础框架。

好了，这一章的内容就到这里。外参标定听起来可能有点抽象，但别担心，后面的章节我会带你一步步实操，从数据采集到算法实现，再到结果验证，把每个环节都讲透。