4、空间对齐与坐标变换：传感器坐标系、车辆坐标系、世界坐标系、外参标定原理

空间对齐，说白了就是让不同传感器“说同一种语言”。

你想想看，激光雷达看到的是点云，摄像头看到的是像素，毫米波雷达看到的是目标列表。它们各自活在自己的坐标系里。如果不做对齐，融合就是鸡同鸭讲。

我刚开始做多模态融合时，就踩过这个坑。当时把激光点云直接投影到图像上，结果偏移了十几个像素。排查了半天，发现是外参标定文件里一个旋转矩阵的符号写反了。嗯，从那以后，我对坐标变换这件事就格外小心。

4.1 三个核心坐标系

做多模态融合，你至少得搞明白三个坐标系：

• 传感器坐标系：每个传感器自己的“小世界”。比如激光雷达的原点在它的旋转中心，摄像头的光心在镜头后面。
• 车辆坐标系：以车身为参考。通常原点在后轴中心，X轴朝前，Y轴朝左，Z轴朝上。这是融合的“中间人”。
• 世界坐标系：全局参考系。比如GPS用的经纬度，或者高精地图里的UTM坐标。

为什么要分这么细？因为每个坐标系都有它存在的理由。传感器坐标系方便采集数据，车辆坐标系方便做控制决策，世界坐标系方便做路径规划。融合的本质，就是在这三者之间来回穿梭。

4.2 坐标变换的数学基础

坐标变换说白了就是两件事：旋转和平移。

旋转用旋转矩阵R表示，平移用平移向量t表示。一个点从坐标系A变换到坐标系B，公式很简单：

P_B = R * P_A + t

但实际项目中，我建议你用齐次坐标。为什么？因为可以把旋转和平移合并成一个4x4的变换矩阵，一次矩阵乘法搞定所有事情。

| P_B |   | R   t |   | P_A |
|  1  | = | 0   1 | * |  1  |

这样做的好处是，多个变换可以连乘。比如从激光雷达到车辆坐标系，再到世界坐标系，只需要把两个变换矩阵乘起来就行。

4.3 外参标定原理

外参标定，就是求传感器坐标系到车辆坐标系的变换矩阵。说白了，就是找到传感器装在车上的“位置和朝向”。

标定方法主要有两种：

1. 目标物法：在车前方放一个已知尺寸的标定板，让传感器同时观测。通过已知的几何关系反推外参。
2. 自然特征法：利用道路上的车道线、路沿等自然特征做匹配。适合在线标定或自标定。

我参与过的量产项目中，用的都是目标物法。具体流程是这样的：

• 把车停在标定场地，前方放好标定板
• 激光雷达扫到标定板上的角点，得到3D坐标
• 摄像头拍到标定板上的角点，得到2D像素坐标
• 通过PnP算法求解3D-2D的对应关系
• 得到旋转矩阵R和平移向量t

4.4 多传感器联合标定

如果车上装了多个传感器，比如前向激光雷达、前向摄像头、侧向毫米波雷达，那就需要做联合标定。

联合标定的思路是：先标定每个传感器到车辆坐标系的外参，然后通过车辆坐标系做中转，推导出传感器之间的相对位姿。

举个例子：

• 激光雷达到车辆坐标系：T_lidar_to_vehicle
• 摄像头到车辆坐标系：T_cam_to_vehicle
• 那么激光雷达到摄像头：T_lidar_to_cam = T_vehicle_to_cam * T_lidar_to_vehicle

这里要注意，T_vehicle_to_cam是T_cam_to_vehicle的逆矩阵。千万别搞反了。

4.5 知识体系图

下面这张图，是我梳理的空间对齐与坐标变换的核心逻辑。你可以把它当作一个速查表：

4.6 实战中的注意事项

最后，分享几个我在项目中积累的经验：

• 标定频率：量产车出厂时标定一次就够了。但如果车辆发生过碰撞或传感器被拆卸，必须重新标定。
• 温度影响：传感器支架会热胀冷缩。我在夏天标定的车，到了冬天发现外参有微小偏移。建议在标定场里装空调，或者做温度补偿。
• 数据同步：坐标变换的前提是数据时间戳对齐。如果激光雷达和摄像头的时间差超过10ms，投影就会不准。这个我在第5章会详细讲。
• 工具链：我推荐用ROS的tf库做坐标变换管理。它自带缓存和插值功能，省心很多。

空间对齐是融合的基石。这块做扎实了，后面的融合算法才能发挥真正的作用。别嫌麻烦，多花点时间在标定上，绝对值得。

---

公众号:蓝海资料掘金营，微信deep3321