一、课程导论：为什么需要在线标定？多传感器融合的痛点与挑战

大家好，我是你们这门课的主讲人。

先问大家一个问题：你手头有多传感器融合的项目，对吧？激光雷达、摄像头、毫米波雷达、IMU……这些传感器装上车，你是不是觉得只要把它们固定好，数据一融合，就能得到完美的环境感知结果？

嗯，我当年刚入行时也是这么想的。结果第一次路测，车刚开了两公里，点云和图像就对不上了。明明一个行人站在正前方，激光雷达的点云却偏到了马路牙子上。那一刻我才意识到——外参标定，才是多传感器融合的第一道鬼门关。

说白了，外参标定就是求一个变换矩阵。它告诉你：激光雷达坐标系下的点 (x, y, z)，对应到相机图像上的像素 (u, v) 是哪个位置。

这个矩阵一旦不准，后面所有的融合算法——目标检测、跟踪、SLAM——全都是空中楼阁。你想想看，一个融合系统，如果连传感器之间的空间关系都是错的，那还谈什么精度？

    核心公式： 外参标定本质是求解刚体变换 [R|t]，将传感器A坐标系下的点转换到传感器B坐标系下。

我个人习惯把外参标定比作“给传感器们对表”。时间同步是对时间，外参标定是对空间。两个都对不上，系统就是聋子和瞎子。

很多团队一开始都依赖离线标定。找个大厂房，贴上标定板，用棋盘格或者特定靶标，花半天时间标定一次。然后呢？

我在项目中遇到过这样一个案例：一辆自动驾驶物流车，出厂时标定得漂漂亮亮。结果跑了三个月，客户反馈说“车辆在窄路会车时总是偏右”。排查到最后，发现是车辆长期颠簸，激光雷达的安装支架发生了微米级的形变。离线标定的结果，已经失效了。

离线标定有几个硬伤：

我曾经踩过的坑： 有一次我们为了赶项目进度，用离线标定结果直接上线。结果在高速场景下，由于车辆高速振动，激光雷达和相机的相对位姿发生了偏移，导致融合后的目标位置误差超过了50厘米。这在高速上是非常危险的。

在线标定，说白了就是让车辆在行驶过程中，利用环境中的自然特征（比如车道线、路牌、建筑物边缘），实时地、自动地修正外参。

它的核心价值在于：

你想想看，如果一辆车能自己“感觉”到传感器歪了，然后自动把它“掰正”，那该多省心？这就是在线标定的魅力。

当然，在线标定不是万能的。它也有自己的痛点。

我总结了一下，主要有三大挑战：

挑战	具体表现	我的经验
特征稀疏与退化	在隧道、高架桥下、空旷路面，可用的自然特征太少，导致标定算法无法收敛。	我曾经在一条笔直的高速公路上测试，周围只有护栏和路面，激光雷达和相机的联合标定直接“发散”了。后来我们加入了IMU的约束才稳住。
动态物体干扰	行人、车辆、飘动的树叶，这些动态物体会给标定引入大量噪声。	我建议在标定模块中一定要加入动态物体滤除逻辑。否则，一个骑自行车的人从旁边经过，你的外参可能就“跳”了一下。
计算资源与实时性	在线标定需要在车端实时运行，不能占用太多CPU/GPU资源。	嗯，这里要注意。不要一上来就用全局优化。我个人的习惯是先用滑动窗口做局部优化，再定期做全局修正。

为了让大家对这门课有一个全局的把握，我画了一张图。它展示了多传感器外参在线标定的核心逻辑和知识结构。

我的建议： 学习在线标定，不要一上来就啃数学公式。先理解这张图里的逻辑链条——输入是什么，挑战在哪里，用什么技术去解决。有了全局观，后面的细节学习会轻松很多。

好了，这一章的内容就到这里。我们明确了在线标定的必要性，也看到了它面临的真实挑战。后面的课程，我会带着大家一步步攻克这些难点。

可可精品资料库