3、传感器标定基础：为什么要标定？
大家好，我是你们的讲师。今天咱们聊聊传感器标定。说实话，这是整个融合系统里最容易被忽视、但又最致命的一环。
我见过太多团队，算法模型调得漂漂亮亮，一上车就崩。为什么？因为传感器之间的相对位置根本没对齐。你想想看，激光雷达说障碍物在左边3米，相机说在右边2米，这怎么融合？
所以，标定不是可选项，是必选项。
3.1 为什么要标定？
说白了，标定就是为了让不同传感器「说同一种语言」。
激光雷达输出的是三维点云，坐标是 (x, y, z)。相机输出的是二维图像，坐标是 (u, v)。这两个坐标系之间没有天然的对齐关系。你得通过标定，找到一个数学变换，把激光雷达的点投影到图像上，或者反过来。
我举个例子。你开车时看到前方有个行人，激光雷达测出他距离车头5.2米，偏左0.8米。相机在图像上框出了他的位置。如果标定不准，你投影到图像上的点可能偏了10个像素。嗯，10个像素在远距离可能还好，但在近距离，直接导致碰撞预警误报或漏报。
3.2 标定的核心目标
这里有两个概念容易混淆：联合标定和外参标定。我简单梳理一下。
| 标定类型 | 目标 | 输出 |
|---|---|---|
| 内参标定 | 确定相机自身的焦距、畸变系数等 | 相机内参矩阵 K |
| 外参标定 | 确定激光雷达与相机之间的相对位姿 | 旋转矩阵 R，平移向量 t |
| 联合标定 | 同时优化内参和外参，使重投影误差最小 | 联合优化后的 R, t, K |
我个人习惯，先单独标定相机内参，再做联合标定。为什么？因为内参不准，外参标出来也是错的。你想想看，相机镜头有畸变，如果没矫正，激光雷达点投影到图像上永远是歪的。
我曾经在一个项目里，直接用出厂内参做联合标定，结果重投影误差一直下不去。折腾了两天，最后发现是相机镜头被磕碰过，内参变了。从那以后，我每次上车前都会重新标一次内参。
3.3 标定板的设计与使用
标定板，说白了就是给传感器「对眼神」用的工具。激光雷达能看到标定板的边缘和平面，相机能看到标定板上的棋盘格角点。通过匹配这些特征，就能解算出外参。
3.3.1 标定板的选型
市面上常见的标定板有两种：
- 棋盘格标定板：黑白相间，角点检测容易，适合相机标定。但激光雷达对黑白不敏感，反射率差异不够大时，边缘检测困难。
- 实心圆阵列标定板：圆形图案，激光雷达点云落在圆盘上时，可以拟合圆心。我个人更推荐这种，因为圆心的亚像素精度比棋盘格角点更高。
3.3.2 标定板的设计要点
设计标定板时，有几个坑要注意：
- 尺寸要够大：激光雷达点云在远距离时，线间距变大。板子太小，边缘点太少，拟合出的平面误差大。
- 反射率要对比明显：标定板背景用低反射率材料（如黑色哑光布），圆盘用高反射率材料（如白色亚克力）。这样激光雷达能清晰区分。
- 棋盘格角点要清晰：相机标定时，角点检测需要高对比度。黑白格子边界要锐利，不要有模糊过渡。
3.3.3 标定流程（以联合标定为例）
这里我给出一个典型的标定流程，供你参考：
1. 固定传感器：将激光雷达和相机刚性连接，确保相对位置不变。
2. 放置标定板：在传感器前方2-5米处，多角度摆放（俯仰、偏航、滚转）。
3. 采集数据：同时录制点云和图像，至少采集20组不同位姿的数据。
4. 特征提取：
- 从点云中提取标定板平面，拟合圆心或角点。
- 从图像中提取棋盘格角点或圆心。
5. 求解外参：使用PnP或最小二乘法，求解R和t。
6. 优化：使用重投影误差作为代价函数，进行非线性优化。
7. 验证：将点云投影到图像上，检查对齐效果。嗯，这里要注意一点。采集数据时，标定板不要离传感器太近。太近了，激光雷达点云密度大但视野窄；太远了，点云稀疏且精度下降。我个人习惯放在3米左右，效果比较稳定。
3.4 知识体系总览
为了让你更直观地理解本章的知识结构，我画了一张图：
这张图把本章的核心逻辑串起来了。从上到下，先理解「为什么」，再掌握「标什么」，最后落地「怎么标」。你照着这个思路去实践，基本不会跑偏。
好了，这一章就到这里。标定是融合的基石，基础打牢了，后面的路才好走。
可可精品资料库