多传感器融合系统性能分析与加速 - 第4节

第一章：空间对齐与标定——感知融合的基石

各位同学，大家好。我是你们的老朋友，一个在感知融合领域摸爬滚打了十来年的工程师。今天咱们正式开始《感知融合性能瓶颈突破实战》的第一章。

聊到多传感器融合，很多人第一反应是算法、是模型。但我得说句大实话：标定搞不定，后面全是白搭。你想想看，摄像头说目标在左边，激光雷达说在右边，雷达又说在中间——这数据怎么融？

空间对齐与标定，说白了就是给所有传感器统一一个「坐标系」。让它们看到的世界，是同一个世界。我当年刚入行时，就吃过这个亏。项目赶得急，外参随便标了标就上线，结果融合出来的目标位置偏差半米多，被测试团队追着骂了一周。从那以后，我再也不敢轻视标定这个环节了。

一、内参标定——先把「眼睛」本身搞清楚

内参标定，就是搞清楚传感器自己内部的参数。对于相机来说，主要是焦距、主点、畸变系数这些。为什么重要？因为如果相机本身看到的图像就是「歪」的，那后面再怎么对齐也是错的。

1.1 相机内参标定

我个人习惯用张正友标定法。找一块棋盘格，拍个十几张不同角度的照片，然后用OpenCV跑一下。嗯，这里要注意：棋盘格一定要平整。我见过有人拿打印纸贴在墙上，纸都皱了还在拍，结果标定出来的焦距偏差5%以上。

// 我用OpenCV做内参标定的核心代码
cv::Mat cameraMatrix, distCoeffs;
std::vector<cv::Mat> rvecs, tvecs;

// 传入棋盘格角点数据
cv::calibrateCamera(objectPoints, imagePoints,
                    imageSize, cameraMatrix, distCoeffs,
                    rvecs, tvecs);

// 检查重投影误差
double err = cv::norm(objectPoints, projectedPoints, cv::NORM_L2) / totalPoints;
// 我一般要求误差小于0.5像素，超过就重新标

1.2 激光雷达内参

激光雷达的内参相对简单，主要是每个激光束的俯仰角、水平角偏移。但别小看这个，我遇到过一台16线雷达，出厂标定数据丢了，结果点云投影到图像上，上下偏差了10个像素。后来自己重新标定才解决。

二、外参标定——让传感器「说同一种语言」

外参标定，就是确定传感器之间的相对位置和姿态。说白了，就是知道「摄像头相对于激光雷达到底在哪、朝哪看」。

2.1 Camera-LiDAR 联合标定

这是最常用的组合。我一般用两种方法：

• 目标法： 放一个标定板，同时被相机和激光雷达看到。提取板子的角点和点云边缘，做PNP求解。
• 自然场景法： 找一些有丰富边缘的场景（比如建筑物拐角），手动选取对应点。

我曾经在项目里用目标法标定，结果发现每次标定结果都不一样。排查了半天，原来是标定板太薄，激光雷达打上去反射不稳定。后来换了厚木板，问题就解决了。

2.2 LiDAR-Radar 联合标定

这个组合稍微麻烦点。雷达的点云稀疏，而且没有高度信息（4D雷达除外）。我常用的方法是：

1. 找一个金属角反射器，雷达能稳定检测到
2. 激光雷达也能看到这个角反射器
3. 用ICP或者手动对齐，求解外参

嗯，这里有个坑：雷达的测量精度受环境影响大。下雨天、大雾天，雷达的反射点会漂移。我建议在晴朗天气下标定，然后做一次雨天验证。

三、联合标定流程——把一切串起来

联合标定，就是把所有传感器放在一起，统一标定。我习惯的流程是这样的：

四、在线标定方法——让系统「自愈」

标定不是一劳永逸的。车开久了，振动、温度变化都会导致外参漂移。这时候就需要在线标定。

我参与过一个项目，车跑了三个月，Camera-LiDAR的外参漂了0.5度。融合出来的目标位置偏差越来越大。后来我们加了一个在线标定模块，每10分钟自动检测一次外参偏差，超过阈值就自动修正。

4.1 基于特征匹配的在线标定

核心思路：实时提取图像和点云中的特征（比如车道线、路沿），计算它们之间的对应关系，然后求解外参。

// 在线标定的简化流程
while (vehicle_running) {
    // 1. 获取同步的Camera和LiDAR数据
    auto img = getCameraFrame();
    auto pc = getLidarPointCloud();

    // 2. 提取特征
    auto img_features = extractLaneLines(img);
    auto pc_features = extractRoadEdges(pc);

    // 3. 匹配特征，求解外参
    Eigen::Matrix4d delta_T = solveExtrinsic(img_features, pc_features);

    // 4. 如果偏差超过阈值，更新外参
    if (delta_T.translation().norm() > 0.05) { // 5cm阈值
        updateExtrinsic(current_extrinsic * delta_T);
    }
}

4.2 基于深度学习的在线标定

最近几年，用深度学习做在线标定也越来越流行。输入图像和点云，直接输出外参偏差。我个人觉得，这种方法在特定场景下效果不错，但泛化性还需要验证。

五、总结——标定是融合的「地基」

讲到这里，你应该明白了：空间对齐与标定，是整个感知融合系统里最基础、也最容易出问题的一环。内参搞不定，外参就是错的；外参搞不定，融合就是乱的。

我见过太多团队，算法模型做得花里胡哨，结果标定没做好，实车测试一塌糊涂。所以，我建议你：花30%的时间做标定，花30%的时间验证标定，剩下的40%再去做算法。这个比例，是我踩了无数坑之后总结出来的。

好了，第一章就到这里。标定这件事，说起来简单，做起来全是细节。希望你能把这些「地基」打牢，后面的融合算法才能跑得稳。