第三节：传感器标定——让BEV感知的“眼睛”对齐

传感器标定这件事，说白了就是给自动驾驶系统配眼镜。你想想看，车上装了相机、激光雷达、IMU，每个传感器都有自己的坐标系，它们看世界的方式都不一样。如果不标定，那BEV感知就是各说各话，根本没法融合。

我个人习惯把标定分成三大块：相机内参标定、相机-激光雷达外参标定、IMU-车辆标定。每一块都有坑，咱们一个一个说。

3.1 相机内参标定：先把单目搞定

相机内参标定，是基础中的基础。它解决的是“像素坐标”和“物理坐标”之间的映射关系。说白了，就是知道相机镜头是怎么扭曲图像的。

内参矩阵长这样：

K = [fx  0  cx]
    [ 0  fy  cy]
    [ 0   0   1]

其中fx、fy是焦距，cx、cy是主点偏移。畸变系数（k1、k2、p1、p2、k3）也得标出来。

标定方法：

• 棋盘格法：最经典。打印一张棋盘格，拍20-30张不同角度的照片，用OpenCV的cv2.calibrateCamera()搞定。
• 圆点阵标定板：精度更高，适合高要求场景。
• 自标定：不需要标定板，但精度一般，我不推荐。

标定流程：

1. 采集不同角度、不同距离的棋盘格图像
2. 提取角点（亚像素精度）
3. 计算内参和畸变系数
4. 验证重投影误差（一般要小于0.5像素）

3.2 相机-激光雷达外参标定：让视觉和激光“握手”

这是BEV感知的核心环节。相机看到的是RGB图像，激光雷达看到的是3D点云。外参标定就是找到它们之间的旋转矩阵R和平移向量t。

数学表达：

P_cam = R * P_lidar + t

其中P_cam是相机坐标系下的点，P_lidar是激光雷达坐标系下的点。

标定方法：

• 目标物法：用标定板或标定杆，同时被相机和激光雷达看到。提取特征点，用PnP求解。
• 自然特征法：利用场景中的角点、边缘等特征，自动匹配。适合在线标定。
• 互信息法：最大化图像和点云投影后的互信息。精度高，但计算量大。

我个人偏爱目标物法，因为可控。我曾经在项目里用自然特征法，结果遇到雨天，点云噪声大，匹配全乱了。后来老老实实回去用标定板。

标定步骤：

1. 放置标定板，确保在相机和激光雷达的共同视野内
2. 采集同步数据（时间戳要对齐）
3. 提取标定板在图像中的角点，以及在点云中的平面
4. 用最小二乘法求解R和t
5. 验证：将点云投影到图像上，看边缘是否对齐

3.3 IMU-车辆标定：让惯性导航“上车”

IMU（惯性测量单元）标定，很多人容易忽略。但IMU的安装偏差，会直接影响定位的长期稳定性。

IMU-车辆标定，主要是确定IMU坐标系和车辆坐标系之间的旋转关系。车辆坐标系一般是：x向前，y向左，z向上。

标定内容：

• 安装角标定：IMU安装时不可能绝对水平，会有俯仰角、横滚角、航向角的偏差。
• 杆臂标定：IMU的安装位置和车辆质心之间的偏移量。
• 零偏标定：IMU静止时的零偏值。

标定方法：

1. 车辆静止，采集IMU数据，计算初始零偏
2. 车辆直线行驶，利用GPS/RTK作为真值，估计安装角
3. 车辆做“8”字绕圈，估计杆臂参数

3.4 标定精度对定位的影响

标定精度，直接决定了BEV感知的定位上限。咱们用数据说话：

你看，每个环节的误差都会累积。内参差一点，外参差一点，IMU再差一点，最后BEV感知的定位可能就偏了半米。这在车道级定位中是完全不能接受的。

嗯，标定这块就讲这么多。记住一句话：标定精度决定了定位精度的天花板。你后面的算法再牛，也突破不了这个上限。

可可精品资料库