传感器原理与标定：激光雷达工作原理、相机成像模型与联合标定
大家好，我是你们的老朋友。今天我们来聊聊传感器融合里最基础、也最绕不开的一环——传感器原理与标定。说实话，很多同学一上来就急着调算法，结果数据对不齐，融合效果一塌糊涂。我当年刚入行时也踩过这个坑，后来才明白：标定做不好，后面全是白忙活。
核心观点：激光雷达和相机就像两个不同语言的人，标定就是给它们配一个同声传译。没有准确的标定，融合就是空中楼阁。
一、激光雷达工作原理
激光雷达，说白了就是靠发射激光束并测量回波时间来测距的。目前主流的有两种：机械式和固态式。
1. ToF（飞行时间法）原理
ToF的原理很简单：发射一束激光，打到目标后反射回来，记录往返时间t。距离d = c × t / 2，其中c是光速。嗯，这里要注意，光速虽然快，但时间测量精度要求极高——皮秒级别。我在项目中遇到过，如果激光脉冲宽度控制不好，测距误差会直接飙到厘米级。
我的经验：实际工程中，ToF激光雷达的测距精度受环境光影响很大。强光下信噪比会下降，建议在算法层加一个自适应阈值处理。
2. 机械式激光雷达
机械式就是通过旋转电机带动激光收发模块旋转，实现360°扫描。优点是视场角大、技术成熟；缺点是体积大、有运动部件、寿命有限。
- 优点：水平360°全覆盖，垂直分辨率可调（16线、32线、64线等）
- 缺点：旋转部件易磨损，成本高，不适合大规模量产
- 典型代表：Velodyne HDL-64E、禾赛Pandar系列
3. 固态激光雷达
固态激光雷达没有旋转部件，靠光学相控阵（OPA）或微振镜（MEMS）实现光束扫描。你想想看，没有电机了，体积能做得很小，成本也低，更适合车规级量产。
- MEMS方案：通过微振镜反射激光，实现二维扫描。我建议关注一下扫描频率和视场角的平衡——振镜摆幅越大，视场角越大，但频率会受限。
- OPA方案：通过控制阵列天线相位差实现光束偏转。目前还在实验室阶段，但潜力巨大。
避坑指南：我曾经在项目里选型时，只看重固态雷达的小体积，忽略了它的视场角只有90°左右。结果装车后发现盲区太大，不得不加装多个雷达。所以选型时一定要算好覆盖范围。
二、相机成像模型
相机成像，说白了就是把3D世界投影到2D图像上。这个投影过程可以用针孔模型来描述。
1. 针孔成像模型
假设相机光心为O，成像平面距离光心为f（焦距）。空间点P(X, Y, Z)投影到成像平面上的点p(x, y)，满足：
x = f * X / Z
y = f * Y / Z这里有个关键点：实际相机镜头会有畸变，主要是径向畸变和切向畸变。我刚开始做标定时，总以为畸变校正可有可无，结果融合时点云和图像总是对不上。后来老老实实做了畸变校正，效果立竿见影。
2. 内参矩阵
内参矩阵K描述了相机坐标系到像素坐标系的转换：
K = [fx, 0, cx;
0, fy, cy;
0, 0, 1]其中fx、fy是焦距（像素单位），cx、cy是主点坐标。这些参数需要通过标定得到。
| 参数 | 含义 | 典型值范围 |
|---|---|---|
| fx | x方向焦距（像素） | 500~2000 |
| fy | y方向焦距（像素） | 500~2000 |
| cx | 主点x坐标 | 图像宽度/2附近 |
| cy | 主点y坐标 | 图像高度/2附近 |
我的习惯：标定内参时，我一般会拍20~30张不同角度的棋盘格照片。太少的话，标定结果不稳定；太多的话，边际效益递减。20张左右刚刚好。
三、传感器联合标定
联合标定就是求激光雷达坐标系到相机坐标系的变换矩阵（外参）。这个矩阵包含旋转R和平移t。
1. 标定原理
核心思想：找一个在激光雷达和相机中都能观测到的标定物（比如棋盘格），然后建立对应点对，求解PnP问题。
P_cam = R * P_lidar + t其中P_lidar是激光雷达坐标系下的3D点，P_cam是相机坐标系下的3D点。我们需要找到至少3组不共线的对应点对才能求解。
2. 标定流程
- 数据采集：放置标定板，同时采集激光雷达点云和相机图像
- 特征提取：从点云中提取标定板的角点，从图像中提取棋盘格角点
- 对应匹配：建立3D-2D对应关系
- 求解外参：使用PnP算法（如EPnP、DLT）求解R和t
- 优化：使用非线性优化（如Levenberg-Marquardt）最小化重投影误差
避坑指南：我曾经在标定时，标定板放得太远，导致点云中角点提取不准。后来我总结了一个经验：标定板距离相机和雷达的公共视场中心1~3米最佳，太近或太远都会影响精度。
3. 标定精度评估
标定完成后，怎么知道准不准？我一般用两个指标：
- 重投影误差：将激光雷达点投影到图像上，计算与图像中对应点的像素距离。误差小于2个像素就算不错。
- 可视化验证：把点云投影到图像上，看边缘是否对齐。我习惯用彩色点云叠加显示，一眼就能看出问题。
四、知识体系总览
下面这张图是我自己整理的传感器原理与标定的知识框架，帮你理清思路：
这张图把三大模块串起来了。你想想看，激光雷达负责测距，相机负责纹理，联合标定负责对齐——三者缺一不可。
总结一下：传感器原理和标定是自动驾驶感知的基石。激光雷达的ToF原理决定了测距精度，相机的针孔模型决定了成像质量，而联合标定决定了融合效果。我个人建议，在动手写融合算法之前，先把标定做到位——这一步省不了，也急不来。
好了，这一章的内容就到这里。记住：标定做得好，融合没烦恼。下一章我们会深入点云与图像的特征提取，到时候见。