4、传感器模型：针孔相机模型、激光雷达模型、IMU测量模型
各位同学，今天我们聊聊传感器模型。说实话，这是整个外参标定里最基础、也最绕不开的一环。你想想看，如果连传感器怎么“看”世界的都不知道，那标定出来的外参，说白了就是瞎蒙。
我个人习惯，每次拿到一个新传感器，第一件事就是把它当成一个“黑盒子”，先搞清楚它的输入输出关系。今天我们就拆开三个最常见的盒子：针孔相机、激光雷达、IMU。
4.1 针孔相机模型
针孔相机模型，嗯，这个名字很形象。就是一个小孔，光线穿过它，在后面的成像平面上投影。我刚开始做视觉SLAM时，总觉得这个模型太理想化了，后来才发现，它其实是所有复杂相机模型的“地基”。
核心公式其实就一个：
// 世界坐标系到像素坐标系的映射
// [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T
// 其中K是内参矩阵：
K = [fx, 0, cx;
0, fy, cy;
0, 0, 1]这里fx、fy是焦距，cx、cy是光心偏移。我在项目中遇到过一个问题：用标定板算出来的fx和fy，跟厂家给的datasheet对不上。后来发现，是因为我用的图像分辨率跟标定时的分辨率不一致。记住，内参是跟分辨率绑定的，换分辨率就要重新标定。
重要概念：畸变模型
针孔模型是线性的，但真实镜头有畸变。我们通常用径向畸变和切向畸变来补偿：
- 径向畸变：k1, k2, k3 三个参数，主要来自镜头曲率
- 切向畸变：p1, p2 两个参数，来自镜头安装偏差
我的经验：标定畸变参数时，一定要用棋盘格覆盖整个视野。我曾经只拍了中间区域，结果边缘畸变完全没标出来，导致后续融合时边缘误差巨大。
4.2 激光雷达模型
激光雷达的模型，说白了就是“一束光，一个点”。每个激光束发射出去，碰到物体反射回来，根据飞行时间算出距离。但这里有个坑：激光雷达的坐标系定义各家不一样。
我常用的激光雷达模型是这样的：
// 激光雷达点云生成模型
// 对于第i个激光束，其方向由水平角α和垂直角θ决定
// 测量距离为r，则点云坐标为：
x = r * cos(θ) * cos(α)
y = r * cos(θ) * sin(α)
z = r * sin(θ)
// 注意：不同厂家对α和θ的零点定义不同
// Velodyne的α=0指向车头，Hesai的可能指向车尾你想想看，如果坐标系定义搞错了，那外参标定出来的结果，可能直接差个180度。我曾经在项目里就吃过这个亏，两台激光雷达融合后，点云直接“劈叉”了。
避坑指南：拿到激光雷达后，第一件事就是验证它的坐标系定义。找个墙角，手动测量几个点的距离，跟点云数据对比一下。这一步花不了10分钟，但能省下后面几天的调试时间。
另外，激光雷达还有个重要的特性：回波模式。单回波、双回波、最强回波，不同模式下点的精度和数量都不一样。我建议在外参标定时，统一用单回波模式，减少不确定性。
4.3 IMU测量模型
IMU，惯性测量单元。它测量的是加速度和角速度。但说实话，IMU的数据如果不做处理，直接拿来用，那基本是“废的”。为什么？因为IMU有三大误差：零偏、尺度因子、噪声。
IMU的测量模型可以写成：
// IMU测量模型
// 加速度计：
a_meas = a_true + b_a + n_a + s_a * a_true
// 陀螺仪：
ω_meas = ω_true + b_g + n_g + s_g * ω_true
// 其中：
// b_a, b_g: 零偏（bias），随时间缓慢变化
// n_a, n_g: 白噪声
// s_a, s_g: 尺度因子这里最让人头疼的是零偏。它不是一个固定值，而是随着温度、时间漂移的。我记得有一次做车载标定，早上标好的外参，下午就偏了。查了半天，发现是IMU零偏漂移导致的。
关键点：IMU的零偏是“时变”的。所以在外参在线标定中，我们通常把零偏也作为状态量，跟外参一起估计。这就是为什么很多标定算法里，状态向量里既有外参，又有IMU bias。
另外，IMU的坐标系定义也很重要。加速度计的轴方向，陀螺仪的旋转方向，不同厂家可能不一样。我建议在代码里显式定义一个“IMU坐标系约定”，然后所有数据都转成这个约定。
4.4 三种模型的对比与融合
好了，三种模型都讲完了。我们来对比一下：
| 传感器 | 测量量 | 主要误差 | 更新频率 | 外参标定难点 |
|---|---|---|---|---|
| 针孔相机 | 像素坐标 (u,v) | 畸变、量化噪声 | 10-60 Hz | 需要纹理特征 |
| 激光雷达 | 3D点 (x,y,z) | 测距噪声、多路径 | 5-20 Hz | 需要几何特征 |
| IMU | 加速度、角速度 | 零偏、噪声、尺度 | 100-1000 Hz | 零偏时变 |
你想想看，这三种传感器各有各的脾气。相机怕没光，激光雷达怕下雨，IMU怕温度变化。但把它们融合在一起，就能互相弥补。这就是多传感器融合的魅力所在。
下面这张图，是我自己总结的三种传感器模型在标定中的关系：
嗯，这张图其实想表达一个意思：三种模型不是孤立的。在标定过程中，相机提供纹理约束，激光雷达提供几何约束，IMU提供运动约束。三者联合优化，才能得到稳定可靠的外参。
我的建议：在实际项目中，不要试图一次性把所有模型都搞完美。先让相机和激光雷达能对上，再慢慢加入IMU。分步走，出问题了也好排查。
好了，这一节的内容就到这里。传感器模型是标定的基础，理解透了，后面的联合标定算法才能用得顺手。记住，模型越准确，标定结果越可靠。