1. 外参标定基础：什么是外参标定？

大家好，我是你们这门课的主讲。今天咱们聊聊外参标定。

说实话，我入行做视觉SLAM那会儿，第一个让我栽跟头的就是外参。那时候我天真地以为，把相机和激光雷达往车上一装，数据就能自动对齐。结果呢？点云投影到图像上，马路牙子跑到天上去，路灯杆子歪了半边。嗯，从那以后我就记住了——外参标定，是所有多传感器融合系统的第一道门槛。

1.1 外参标定到底在干什么？

说白了，外参标定就是回答一个问题：两个传感器之间，到底是怎么摆放的？

你想想看，一个相机装在车顶，一个激光雷达装在保险杠。它们看到的都是同一个世界，但各自有各自的坐标系。相机说“那个行人在我前方5米偏左”，激光雷达说“那个行人在我前方4.8米偏右”。谁对？都对，但坐标系不同。

外参标定，就是找到这两个坐标系之间的刚体变换关系。一旦知道了这个关系，我就能把激光雷达测到的点，精确地投影到图像上，或者反过来。

1.2 外参矩阵的数学定义

咱们来点硬核的。外参矩阵长什么样？

假设我有一个三维点 P，它在相机坐标系下的坐标是 P_c，在激光雷达坐标系下的坐标是 P_l。那么它们之间的关系是：

Pc = R * Pl + t

这里：

• R 是 3×3 的旋转矩阵，描述两个坐标系之间的朝向差异。它有3个自由度（绕x、y、z轴的旋转角）。
• t 是 3×1 的平移向量，描述两个坐标系原点之间的位移。它也有3个自由度。

合在一起，就是6个自由度。所以外参标定，本质上就是求解这6个未知数。

我习惯把外参矩阵写成齐次形式，这样计算起来更顺手：

| R   t |
| 0   1 |

这个 4×4 的矩阵，就是传说中的外参矩阵。

1.3 外参标定在视觉SLAM中的核心作用

做视觉SLAM的朋友都知道，单目相机有个硬伤——没有尺度信息。你从图像里算出相机移动了1米，但实际可能是10米。这时候怎么办？

加个IMU（惯性测量单元）啊！IMU能直接测量加速度和角速度，提供绝对的尺度。但问题来了：相机和IMU的数据怎么融合？

答案就是外参标定。你得知道相机和IMU之间的旋转和平移，才能把IMU测到的加速度投影到相机坐标系下，跟视觉特征匹配上。

我记得有一次做VINS-Mono的工程落地，IMU和相机之间的外参标定差了0.5度。结果呢？整个轨迹在跑了200米之后，漂移了将近3米。你想想看，0.5度的误差，放大到200米，就是1.7米的横向偏差。这就是外参不准的代价。

1.4 外参标定在自动驾驶中的核心作用

自动驾驶就更不用说了。车上通常有：

• 多个摄像头（前视、环视、后视）
• 激光雷达（1个或多个）
• 毫米波雷达
• IMU/GNSS

这些传感器各有所长。相机能识别车道线和交通标志，激光雷达能精确测距，毫米波雷达不怕雨雾。但要让它们协同工作，必须把数据统一到同一个坐标系下。

举个例子：自动驾驶中的目标融合。相机检测到前方50米有个行人，激光雷达检测到前方48米有个目标。这两个目标是不是同一个？

如果外参标定得准，把激光雷达的点投影到图像上，刚好落在行人轮廓内，那就能确认是同一个目标。如果外参不准，投影点跑到行人旁边去了，那系统就会认为这是两个不同的目标，导致误检或漏检。

我曾经参与过一个项目，激光雷达和相机的外参标定用了自动标定算法，但没做人工校验。结果上路测试时，车辆对静止障碍物的检测距离偏差了30厘米。30厘米在高速上意味着什么？刹车距离差一截，可能就撞上了。

1.5 本章知识体系

下面这张图，是我自己画的，帮你理清外参标定的知识脉络：

1.6 本章小结

这一章咱们把外参标定的基础讲清楚了。记住三个要点：

1. 外参标定就是找两个传感器之间的刚体变换，包含旋转和平移，共6个自由度。
2. 数学上用一个4×4的齐次矩阵表示，方便计算。
3. 在SLAM和自动驾驶中，外参精度直接决定系统性能。差之毫厘，谬以千里。

下一章，我会带你看看外参标定的具体方法——从传统的手动标定，到自动标定，再到在线标定。每一种方法都有它的适用场景和坑。到时候我会把我在项目中踩过的坑，一个一个讲给你听。