3. 坐标系与标定：世界坐标系、车辆坐标系、传感器坐标系，以及联合标定方法

各位同学，咱们今天聊一个绕不开的话题——坐标系与标定。

说实话，我刚开始做感知融合那会儿，觉得标定就是个“配准”的活儿，没啥技术含量。直到有一次，我花了整整两周排查一个融合结果抖动的问题，最后发现是激光雷达和相机的外参偏了0.1度。嗯，从那以后，我再也不敢小看标定了。

3.1 为什么需要这么多坐标系？

你想想看，一辆自动驾驶车上，传感器各管各的。摄像头看到的是像素坐标，激光雷达扫到的是三维点云，毫米波雷达给的是径向距离和速度。这些数据要融合到一起，就得有个“共同语言”。

说白了，坐标系就是那个共同语言。我们得把每个传感器的数据，都翻译到同一个参考系下。

3.2 四大坐标系详解

3.2.1 世界坐标系

世界坐标系是全局的参考系。它固定在地球上，不随车辆移动而改变。通常我们使用ENU（东-北-天）坐标系，或者UTM坐标系。

我个人习惯用UTM，因为它是平面直角坐标系，计算起来方便。但要注意，UTM在不同带区之间会有跳变，跨区域行驶时得做特殊处理。

3.2.2 车辆坐标系

车辆坐标系是跟着车走的。一般定义：

• X轴：车头方向（前进方向）
• Y轴：车辆左侧方向
• Z轴：车辆上方（符合右手定则）

原点通常在后轴中心，或者车辆质心。我在项目中遇到过，不同车厂对原点的定义不一样，有的放在前保险杠中心，有的放在GPS天线位置。这个一定要提前确认清楚，否则融合结果会整体偏移。

3.2.3 传感器坐标系

每个传感器都有自己的坐标系：

• 相机坐标系：光心为原点，Z轴指向拍摄方向，X轴向右，Y轴向下（图像坐标系）
• 激光雷达坐标系：通常以激光发射中心为原点，X轴指向车头，Y轴向左，Z轴向上
• 毫米波雷达坐标系：以雷达天线中心为原点，X轴指向雷达法线方向

3.3 联合标定方法

标定说白了就是求两个坐标系之间的变换关系——一个旋转矩阵R和一个平移向量t。

3.3.1 激光雷达到相机的标定

这是最常用的标定对。核心思路是利用标定板上的特征点：

1. 在激光雷达点云中提取标定板的角点或中心点
2. 在相机图像中提取对应的像素坐标
3. 构建3D-2D对应关系，求解PnP问题

# 伪代码示例：激光雷达到相机的标定
def lidar_to_camera_calibration(lidar_points_3d, image_points_2d):
    # 使用OpenCV的solvePnP求解
    # 需要已知相机内参矩阵K
    success, rvec, tvec = cv2.solvePnP(
        lidar_points_3d, 
        image_points_2d, 
        camera_matrix, 
        dist_coeffs
    )
    R, _ = cv2.Rodrigues(rvec)
    return R, tvec

3.3.2 激光雷达到毫米波雷达的标定

这个相对简单，因为两者都是3D传感器。通常的做法是：

• 在场景中放置角反射器（毫米波雷达能检测到）
• 同时用激光雷达扫描同一个角反射器
• 获取两组3D点，用ICP或SVD求解变换矩阵

3.3.3 多传感器联合标定

当传感器数量超过两个时，我们通常采用“链式标定”或“全局优化”策略。

我个人更推荐全局优化。把所有传感器的外参一起优化，能避免误差累积。比如用因子图优化，把每一对标定结果作为约束，同时优化所有外参。

3.4 标定流程与工具

步骤	操作	注意事项
1	安装传感器并固定	确保机械结构稳定，标定后不要松动
2	采集标定数据	多角度、多距离采集，覆盖整个视场
3	特征提取与匹配	检查特征点对应关系是否正确
4	求解变换矩阵	使用RANSAC剔除异常匹配
5	验证与微调	用未参与标定的数据验证重投影误差

常用的标定工具有：

• Apollo标定工具：功能全面，支持多传感器联合标定
• Kalibr：相机-IMU标定的利器
• Autoware标定工具：开源，适合快速验证

3.5 知识体系总览

下面这张图，是我自己总结的坐标系与标定的核心逻辑。你看一眼就能明白整个流程。

3.6 标定验证与常见问题

标定做完不等于万事大吉。我每次标定完都会做两件事：

1. 重投影验证：把激光雷达点云投影到图像上，看边缘是否对齐。误差超过2个像素就要重新标定。
2. 动态验证：让车辆在不同场景下行驶，观察融合结果是否稳定。我曾经发现标定参数在颠簸路面会变化，后来加了紧固件才解决。

好了，坐标系与标定就聊到这儿。记住一句话：标定精度决定了融合效果的上限。这块儿花再多时间都值得。