传感器标定：内参标定、外参标定、联合标定、标定工具链

传感器标定这件事，说白了就是给车子的眼睛配眼镜。

你想想看，摄像头、激光雷达、毫米波雷达，每个传感器都有自己的坐标系。摄像头看到的是像素，激光雷达看到的是点云，毫米波雷达看到的是目标。如果它们之间没有对齐，那感知结果就是一团乱麻。我刚开始做自动驾驶那会儿，就吃过这个亏——标定没做好，车在高速上把路牌当成了障碍物，差点急刹。

内参标定：让摄像头看清世界

内参标定，解决的是传感器自身的问题。对于摄像头来说，就是搞清楚焦距、主点、畸变系数这些参数。

为什么需要这个？因为镜头不是完美的。广角镜头有桶形畸变，长焦镜头有枕形畸变。如果不矫正，你看到的直线是弯的，距离估计也会出错。

  核心参数：
  焦距（fx, fy）：像素坐标系与物理坐标系的比例关系
主点（cx, cy）：光轴与成像平面的交点
畸变系数（k1, k2, p1, p2, k3）：径向畸变和切向畸变的矫正参数

常用的方法是张正友标定法。你拿一个棋盘格，拍十几张不同角度的照片，然后让算法自动解算。我个人习惯用 OpenCV 的 cv2.calibrateCamera()，简单粗暴。

import cv2
import numpy as np

# 准备棋盘格角点
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
objp = np.zeros((6*9, 3), np.float32)
objp[:,:2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2)

# 遍历图像，提取角点
objpoints = []  # 世界坐标系中的点
imgpoints = []  # 图像坐标系中的点

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, (9, 6), None)
    if ret:
        objpoints.append(objp)
        corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        imgpoints.append(corners2)

# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

我的经验：棋盘格一定要贴平，不能有褶皱。我曾经用一张皱巴巴的纸做标定，结果畸变参数完全不对，车子在弯道里一直跑偏。

外参标定：让传感器对齐世界

外参标定，解决的是传感器之间的相对位置关系。比如摄像头装在车顶，激光雷达装在保险杠上，它们之间的旋转和平移矩阵是多少？

说白了，就是要把激光雷达看到的点云，投影到摄像头的图像上。如果外参不准，点云和图像对不上，融合就无从谈起。

常用的方法有两种：

目标法：在场景中放置已知尺寸的标定物（如棋盘格、标定板），同时被摄像头和激光雷达看到，然后解算相对位姿。
自然特征法：利用场景中的角点、边缘等自然特征，通过优化算法对齐。

我记得有一次在量产车上做外参标定，发现激光雷达和摄像头之间有 0.5 度的偏差。这个偏差在近距离看不出来，但到了 100 米外，投影误差能到 1 米。嗯，这种问题在路测时特别坑。

联合标定：多传感器的时间与空间对齐

联合标定，就是把内参和外参一起搞定。但这里有个更头疼的问题——时间同步。

你想想看，摄像头是 30fps，激光雷达是 10fps，毫米波雷达是 20fps。它们采集数据的时间戳不一样。如果直接用，就会出现「看到障碍物时，它已经不在那个位置了」的情况。

注意：时间同步的精度直接影响融合效果。对于高速场景（比如 120km/h），1ms 的时间误差会导致 3.3cm 的位置偏差。这在紧急制动场景下是致命的。

联合标定的流程一般是：

分别对每个传感器做内参标定
用标定物做两两之间的外参标定
做全局优化，最小化所有传感器的重投影误差
验证标定结果（比如看点云投影到图像上是否对齐）

我建议在联合标定时，使用 因子图优化 的方法。把每个传感器的观测作为因子，把位姿作为变量，用 Ceres 或 G2o 做非线性优化。这样能同时保证精度和鲁棒性。

标定工具链：从实验室到量产

标定这件事，在实验室里做一次不难。但到了量产阶段，每天要标定几百台车，那就完全不一样了。

一个完整的标定工具链，通常包含这几个环节：

环节	说明	常用工具
数据采集	在标定场地中采集多传感器数据	ROS bag、自定义采集程序
离线标定	用采集的数据解算内外参	OpenCV、Kalibr、lidar_camera_calibration
在线标定	车辆运行时实时修正外参	基于 SLAM 的在线标定模块
验证与监控	定期检查标定精度，发现漂移及时报警	可视化工具、自动化测试脚本

我个人比较推荐 Kalibr 这个工具包。它支持多摄像头、IMU、激光雷达的联合标定，而且代码质量很高。不过要注意，Kalibr 对数据质量要求很苛刻——运动太慢不行，太快也不行，得保持一个合适的角速度和线速度。

  避坑指南：我曾经在量产项目中遇到一个问题——标定完的车，开出去两天外参就漂了。后来发现是固定支架的螺丝松了。所以，标定完一定要做「震动测试」，模拟实际路况下的振动环境。

知识体系总览

下面这张图，是我梳理的传感器标定知识体系。你可以把它当作一个「地图」，随时回来对照。

标定这件事，看起来是「一次性工作」，但实际上贯穿了整个自动驾驶系统的生命周期。从研发阶段的离线标定，到量产阶段的在线标定，再到运营阶段的监控与重标定，每一步都不能马虎。

嗯，最后说一句：标定数据一定要保留好。我见过太多团队，标定完就把原始数据删了，结果出了问题想复盘都找不到依据。留一份数据，就是留一条后路。

我的习惯：每次标定完，我都会把标定参数、原始数据、标定报告一起归档，按日期命名。这样即使半年后出了问题，也能快速定位是标定漂了还是传感器坏了。

可可精品资料库

📚 课程目录

传感器标定：内参标定、外参标定、联合标定、标定工具链

内参标定：让摄像头看清世界

外参标定：让传感器对齐世界

联合标定：多传感器的时间与空间对齐

标定工具链：从实验室到量产

知识体系总览