一、外参标定概述

什么是外参？

外参，说白了就是描述传感器之间相对位置和姿态的一组参数。

我举个例子你就明白了。假设你的车上装了一个激光雷达和一个摄像头。激光雷达看到的是三维点云，摄像头看到的是二维图像。这两个传感器各自看得见世界，但它们的「视角」不一样——一个在车顶，一个在前挡风玻璃后面，朝向也不同。

外参就是用来回答这个问题的：激光雷达坐标系里的一个点，在摄像头坐标系里到底对应哪个位置？

具体来说，外参包含两部分：

• 旋转矩阵 R：描述两个传感器之间的角度偏差（俯仰、偏航、翻滚）
• 平移向量 t：描述两个传感器之间的空间位移（x、y、z 方向上的距离）

数学上，外参可以写成这样一个变换矩阵：

| R   t |
| 0   1 |

这个矩阵能把一个传感器坐标系下的点，映射到另一个传感器坐标系下。嗯，这里要注意——外参是刚性变换，它不会改变物体的形状和大小，只改变观察的角度和位置。

为什么需要标定？

你可能会问：「传感器出厂时不是已经装好了吗？为什么还要标定？」

我在项目中遇到过这样的场景：一辆自动驾驶测试车，激光雷达和摄像头的安装支架在出厂时已经固定好了。理论上，它们之间的相对位置是已知的。但实际跑起来，发现投影到图像上的点云总是偏了几个像素。

为什么会这样？原因有很多：

• 安装误差：支架加工有公差，哪怕只有 0.1 度的偏差，在 50 米外就会产生近 10 厘米的误差
• 振动和形变：车辆行驶过程中的振动，或者温度变化导致支架热胀冷缩
• 传感器更换：维修或更换传感器后，位置和姿态肯定变了
• 时间累积：长期使用后，固定件可能松动

我曾经接手过一个项目，标定文件还是半年前做的。结果发现激光雷达投影到图像上的点，跟实际物体位置差了将近 30 个像素。你想想看，30 个像素的偏差，在 100 米外就是 1 米多的误差——这对障碍物检测来说，简直是灾难。

所以，外参标定不是「做一次就完事」的工作。它需要定期做，甚至在每次传感器拆装后都必须重新做。

标定在感知融合中的角色

感知融合，说白了就是把多个传感器的数据「对齐」到同一个坐标系下，然后综合利用这些信息来做决策。

外参标定在其中的角色，我总结为三点：

角色	说明
数据对齐的基础	没有准确的外参，激光点云和图像像素就对应不上，融合无从谈起
精度上限的决定因素	外参精度直接决定了融合结果的精度。外参差 1 度，融合结果可能差几米
系统鲁棒性的保障	好的标定能让传感器互为冗余，一个传感器失效时，其他传感器还能正常工作

我个人的习惯是，在项目初期就把标定流程固化下来。包括标定场地、标定物、标定频率、标定结果验证方法等。这样后期出问题时，能快速定位是标定问题还是算法问题。

外参标定的知识体系

下面这张图，是我自己梳理的外参标定知识体系。它涵盖了标定的类型、方法、流程和验证环节。你可以把它当作本章的「地图」，后面我们会逐一深入。

这张图里，我把外参标定分成了两大块：标定类型和标定方法。标定类型决定了你要解决什么问题，标定方法决定了你怎么去解决。底部的流程和验证环节，是保证标定质量的关键。

我个人建议，刚开始接触外参标定时，先从「激光-相机标定」入手。因为这是感知融合中最常见、也最典型的场景。搞懂了它，其他类型的标定就触类旁通了。

好了，这一章我们先把外参标定的「是什么、为什么、干什么」理清楚了。后面我们会一步步深入，从标定物的设计，到算法的实现，再到工程落地的坑，一个一个来拆解。

可可精品资料库