课程导论与预备知识：什么是外参标定？为什么需要标定？

大家好，我是你们这门课的主讲人。

先聊点实在的。你想想看，一辆自动驾驶车上，激光雷达和相机各司其职。激光雷达能精确测距，但没颜色信息；相机看得清红绿灯、车道线，但不知道物体到底离你多远。这两兄弟要是配合不好，车就相当于一个近视眼加色盲——你说危险不危险？

外参标定，说白了就是给它们俩「牵红线」。让激光雷达的每一个点，都能准确投影到相机的像素上。我当年刚入行时，觉得这事不就是调几个参数嘛，结果第一次实车测试，点云投影到图像上歪了半个车身——嗯，从那以后我再也不敢小看标定了。

外参，全称是「外部参数」。它描述的是两个传感器之间的相对位置和姿态关系。

具体来说，我们需要求解一个 旋转矩阵 R 和一个 平移向量 t。有了这俩，就能把激光雷达坐标系下的点 (x, y, z)，变换到相机坐标系下，再通过相机内参投影到图像上。

核心公式（记住这个就行）：

P_cam = R * P_lidar + t

其中：

你可能要问：为什么是6个自由度？因为三维空间里，一个刚体有3个旋转自由度（俯仰、偏航、翻滚）和3个平移自由度（x、y、z）。我习惯把这6个参数叫做「传感器的身份证」——每个传感器组合都有自己独一无二的一组值。

这个问题，我直接用项目里的血泪史回答你。

场景一：感知融合
有一次，我们做目标检测融合。相机检测到前方有个行人，激光雷达也检测到同一个行人。但因为外参不准，两个目标在空间上差了30厘米。融合算法认为这是两个不同目标，结果车直接急刹车——乘客的咖啡洒了一身。你说这标定重不重要？

场景二：BEV感知
现在流行的鸟瞰图感知，需要把相机特征投影到地平面。外参差1度，投影误差在50米外能差出将近1米。车道线直接对不上，车就压线跑了。

场景三：建图定位
高精地图构建时，激光雷达和相机的数据要叠加。外参不准，地图里的杆子就是重影的。定位算法一看，嗯？这杆子怎么有两根？直接懵了。

避坑指南（我踩过的坑）：

我曾经在量产项目上，因为标定板没贴平，导致外参误差0.2度。结果路测时，车辆在隧道里频繁误识别——隧道墙壁上的点云投影到图像上，跟实际位置差了5个像素。排查了整整两天，最后发现是标定板变形了。从那以后，我每次标定前都会先检查标定板的平整度。

传感器融合，不是简单地把数据堆在一起。它分三个层次：

融合层次	输入数据	典型方法	外参精度要求
数据级融合	原始点云 + 原始图像	点云投影到图像、RGB点云	极高（< 0.1°）
特征级融合	点云特征 + 图像特征	BEV特征融合、注意力机制	高（< 0.3°）
目标级融合	检测框 + 跟踪轨迹	匈牙利匹配、卡尔曼滤波	中等（< 0.5°）

我个人经验是：外参精度决定了融合的上限。算法再牛，外参不准也是白搭。你想想看，数据级融合要求最高，因为像素级的对齐不能有半点马虎；目标级融合相对宽松，因为检测框本身就有一定大小，允许小误差。

这门课的目标很明确：让你从零到一，亲手完成一套激光雷达与相机的外参标定。

具体来说，学完这门课，你能做到：

学习路径我建议这样走：

我的学习建议：

别急着看代码。先把坐标系变换搞明白。我见过太多人，一上来就调OpenCV的solvePnP，结果参数调出来也不知道对不对。先理解原理，再动手写代码，事半功倍。

好了，第一章就到这里。记住一句话：外参标定是传感器融合的基石。这块地基打不牢，上面的楼盖得再高也是危房。

可可精品资料库