1. 课程导入与工程全景

在智能驾驶、机器视觉与工业检测等场景中，单颗摄像头已经很难满足对视野覆盖、深度感知与冗余安全的要求。onsemi（安森美）作为图像传感器与车载感知芯片的重要供应商，其 AR、AS、Hyperlux 等系列传感器被广泛用于多摄像头系统。本课程围绕“多摄像头同步与标定”这一工程主线展开，而本节的任务是先建立一张全景地图：系统由哪些部分组成、同步与标定各自解决什么问题、它们为什么必须一起考虑，以及后续 29 节将沿着怎样的路径深入。

一、典型的多摄像头硬件架构

一个基于 onsemi 传感器的多摄像头系统，通常可以拆成四个层次。最底层是传感器与镜头，例如前视 8MP 的 AR0820、环视 2MP 的 AR0233、侧后视的 AS0140 等，它们负责把光信号转换为 RAW 或 YUV 数据。第二层是串行链路，通过 GMSL2 或 FPD-Link III 等 SerDes 方案，把多路视频用同轴电缆或屏蔽双绞线长距离传输到中央处理单元，同时反向传输控制信号。第三层是解串与汇聚，解串器（如 MAX9296）把多路串行流还原为 MIPI CSI-2，送入 SoC 或 FPGA。第四层是计算与时间基准，由 SoC 完成图像处理、时间戳打标、同步触发与标定计算。

这里有一个容易被忽视的关键点：多摄像头系统的“同步”并不是在 SoC 里才发生的，而是从传感器曝光那一刻就已经开始。onsemi 传感器通常支持外部触发（External Trigger）与同步信号输入，多颗传感器可以共享同一个帧同步（FSYNC）信号，也可以由一颗主传感器输出同步脉冲，其余从传感器跟随。因此，硬件架构决定了同步能力的上限，而软件配置只能在这个上限内做优化。

二、同步与标定的工程价值

同步解决的是“同一时刻”的问题。如果多路摄像头的曝光时刻不一致，那么在做多视图几何、运动估计或目标融合时，不同图像中的同一物体处于不同位置，融合结果就会出现重影或错位。以 60 km/h 行驶的车辆为例，1 ms 的时间偏差对应约 1.7 cm 的位移；若偏差达到 10 ms，位移接近 17 cm，足以让近距离目标关联失败。因此，同步精度通常要求控制在微秒到百微秒量级，具体取决于车速、目标距离和融合算法对时间一致性的敏感度。

标定解决的是“同一空间”的问题。每颗摄像头的内参（焦距、主点、畸变系数）和外参（相对于车体或世界坐标系的旋转与平移）决定了像素坐标如何映射到三维空间。没有准确标定，即使图像完全同步，也无法把不同摄像头的观测统一到同一个坐标系中。同步与标定是互补的：同步保证时间对齐，标定保证空间对齐，两者共同构成多摄像头感知的“时空基准”。

三、学习路径与实战目标

本课程后续内容将沿着“硬件链路 → 同步机制 → 标定方法 → 工程落地”的主线推进。具体来说，会先讲清楚 onsemi 传感器的触发模式、FSYNC 时序与 GMSL2 链路中的同步信号传递；再进入标定环节，覆盖单目内参、多目外参、鱼眼畸变模型、温度漂移补偿与在线标定；最后落到工程实践，包括标定场地布置、数据采集流程、标定结果评估与常见故障排查。

学习完本课程，你应当能够独立完成以下任务：根据项目需求选择合适的 onsemi 传感器与 SerDes 组合；配置多路摄像头的同步触发参数并验证同步精度；使用标定板或自然场景完成多摄像头内参和外参标定；对标定结果进行重投影误差分析并判断是否满足量产要求；在出现同步丢失或标定漂移时，定位问题出在硬件链路、触发配置还是标定算法环节。