1. 传感器标定概述：为什么需要标定？核心概念与流程

大家好，我是老张。在自动驾驶、机器人或者工业检测领域摸爬滚打了十几年，今天咱们来聊聊传感器标定这件事。

很多人觉得标定就是个「配参数」的活儿，没什么技术含量。说实话，我刚开始入行时也这么想。直到有一次，我们团队花了两周时间调试一个多传感器融合系统，数据怎么都对不齐——激光雷达点云和相机图像总是差那么几十厘米。排查到最后才发现，是标定参数里一个旋转矩阵的符号搞反了。嗯，从那以后，我再也不敢小看标定了。

1.1 为什么需要标定？

说白了，传感器标定就是给传感器「配眼镜」。每个传感器出厂时都有个体差异，安装到设备上又有位置偏差，时间上还有不同步的问题。不标定，数据就是乱的。

我总结了一下，标定要解决三个核心问题：

• 个体差异：同一型号的两个摄像头，焦距可能差0.1mm。这0.1mm在100米外就是半米误差。
• 安装偏差：你想想看，把传感器装到车上的时候，谁能保证角度精确？哪怕偏了0.5度，远距离目标就偏到姥姥家了。
• 时间不同步：激光雷达10Hz，相机30Hz，IMU 100Hz。它们各自采集数据的时间戳对不上，融合时就会出现「鬼影」。

1.2 标定的核心概念

这里我给大家梳理几个必须搞懂的概念。我在面试工程师时，这几个概念基本是必问的。

概念	英文	一句话解释	我的经验
内参	Intrinsics	传感器自身的固有属性	比如相机的焦距、畸变系数；IMU的零偏、尺度因子
外参	Extrinsics	传感器之间的相对位姿	旋转矩阵R + 平移向量t，共6个自由度
时间戳对齐	Timestamp Sync	统一各传感器的时间基准	硬件同步线比软件同步靠谱得多
标定板	Calibration Target	已知尺寸的参考物	棋盘格、AprilTag、圆点阵都行
重投影误差	Reprojection Error	标定质量的评价指标	一般要求小于0.5像素

1.3 标定的完整流程

标定不是一锤子买卖。我把它分成五个步骤，每一步都有坑。

1. 数据采集：拿着标定板在不同位置、不同角度采集数据。注意要覆盖整个视场角，别只拍中间。
2. 特征提取：从传感器数据中提取标定板的特征点。比如相机图像里的角点，激光雷达点云里的平面。
3. 初始值估计：用闭式解或者PnP算法算一个粗略的初值。这一步很关键，初值不好后面优化容易掉进局部最优。
4. 非线性优化：用Levenberg-Marquardt或者高斯-牛顿法，最小化重投影误差。迭代几十次就收敛了。
5. 精度验证：用没参与标定的数据做验证。如果误差在阈值内，就算标定完成。

1.4 标定的知识体系

下面这张图是我自己画的标定知识体系框架。你看一眼就能明白标定在整个传感器融合中的位置。

1.5 标定工具与数据格式

工欲善其事，必先利其器。这里我列几个常用的标定工具和它们的特点。

工具	适用场景	优点	缺点
MATLAB Calibration Toolbox	单目/双目相机	交互好，文档全	需要MATLAB license
OpenCV cv::calibrateCamera	相机内参/外参	开源，C++/Python都支持	需要自己写数据加载
Kalibr (ETH Zurich)	多相机-IMU联合标定	支持多种传感器，精度高	配置复杂，依赖ROS
lidar_camera_calibration	激光雷达-相机	有自动标定功能	对初始值敏感

标定参数通常存成YAML格式。我给大家看一个典型的相机内参文件长什么样：

# camera_intrinsics.yaml
image_width: 1920
image_height: 1080
camera_matrix:
  rows: 3
  cols: 3
  data: [718.856, 0.0, 607.1928,
         0.0, 718.856, 185.2157,
         0.0, 0.0, 1.0]
distortion_coefficients:
  rows: 1
  cols: 5
  data: [-0.0172, 0.0006, 0.0003, -0.0001, 0.0]

1.6 标定中的常见误区

最后，我给大家总结几个新手容易踩的坑。这些都是我用真金白银换来的教训。

• 误区一：标定一次管永久——传感器会老化，安装会松动。建议每3个月或者每次拆装后重新标定。
• 误区二：数据越多越好——不是的。关键是数据质量。模糊的图像、遮挡严重的点云，再多也没用。
• 误区三：只看重投影误差——重投影误差低不代表标定一定准。还要看泛化能力，用没见过的数据验证。
• 误区四：忽略时间同步——外参标得再准，时间对不上也是白搭。我见过一个项目，标定参数完美，但融合结果就是抖动，最后发现是时间戳差了50ms。