4. 标定问题建模：外参标定的数学定义、旋转矩阵与平移向量、李群李代数基础

好，咱们进入正题。

前面几章我们把传感器原理、数据同步、时间戳对齐这些「硬骨头」啃了一遍。现在终于到了最核心的部分——标定问题建模。

说白了，标定就是求解一个数学问题。你得知道你要解什么，用什么工具解，解出来长什么样。这一章，我就带你把这些东西彻底理清楚。

4.1 外参标定的数学定义

先问个问题：什么是外参？

外参就是两个传感器坐标系之间的刚体变换。一个旋转，一个平移。就这么简单。

数学上，我们这样定义：

其中：

• R_IL 是 3×3 的旋转矩阵，描述姿态差异
• t_IL 是 3×1 的平移向量，描述位置偏移

我在项目里见过不少新手，上来就问「外参是不是就是几个角度？」。嗯，角度只是旋转的一种表示方式。真正干活的时候，我们用的是矩阵。为什么？因为矩阵可以直接做乘法、求逆、插值，角度不行。

4.2 旋转矩阵：不只是数学符号

旋转矩阵 R 有三个重要性质：

1. 正交性：R^TR = I，R^-1 = R^T
2. 行列式为 +1：保证是刚体旋转，不是镜像
3. 9个元素，3个自由度：所以一定有冗余约束

你想想看，9个数字描述3个角度，这本身就是个「浪费」。但正是这种冗余，让旋转矩阵在数值计算中非常稳定。我踩过坑——用欧拉角做插值，结果出现了万向锁，IMU数据直接飞了。从那以后，我再也不敢在优化过程中直接用欧拉角了。

4.3 平移向量：简单但容易忽略的细节

平移向量 t 就是三维空间里的位移。看起来简单，对吧？

但这里有个细节：平移向量的单位必须统一。激光雷达给的是米，IMU给的是米每秒平方，那没问题。但如果激光雷达给的是毫米，IMU给的是米……嗯，你懂的。

另外，平移向量的精度直接影响标定结果。我记得有一次，一个同事标定出来的外参旋转部分很准，但平移总是差几厘米。查了半天，发现是IMU的安装位置测量错了。所以，物理测量和数学求解要互相验证。

4.4 李群与李代数：为什么需要它？

好，现在问题来了。

我们要优化外参，也就是要优化 R 和 t。但 R 有正交约束，不能随便加减。你给 R 加一个小量 ΔR，结果可能就不是旋转矩阵了。

怎么办？

答案就是李群和李代数。

简单说：

• 李群 SO(3)：旋转矩阵的集合，构成一个群。满足封闭性、结合律、单位元、逆元。
• 李代数 so(3)：旋转矩阵的「切空间」，是一个向量空间。没有约束，可以随便加减。

优化的时候，我们在李代数上做增量更新，然后通过指数映射回到李群。这样既保证了旋转矩阵的正交性，又可以用常规的优化算法。

说白了，就是把有约束的优化问题，变成无约束的优化问题。这是现代SLAM和标定系统的基石。

4.5 知识体系总览

为了让你看得更清楚，我画了一张图，把这一章的核心逻辑串起来：

4.6 代码实现：李代数更新示例

光说不练假把式。我给你看一段实际代码，演示怎么用李代数做旋转更新：

#include <Eigen/Core>
#include <Eigen/Geometry>
#include <sophus/so3.hpp>

// 当前外参旋转矩阵
Eigen::Matrix3d R_current;
// 优化得到的增量（李代数 so(3) 上的向量）
Eigen::Vector3d delta_phi;

// 构造李代数增量
Sophus::SO3d delta_SO3 = Sophus::SO3d::exp(delta_phi);

// 更新旋转矩阵
Sophus::SO3d R_new = Sophus::SO3d(R_current) * delta_SO3;

// 提取更新后的旋转矩阵
Eigen::Matrix3d R_updated = R_new.matrix();

你看，代码就这么几行。但背后的数学原理，就是上面讲的那一套。

4.7 本章小结

这一章我们干了三件事：

• 明确了外参标定的数学定义：R 和 t
• 理解了旋转矩阵的性质和约束
• 引入了李群李代数，解决了有约束优化的问题

这些是后面所有标定算法的基础。你如果能把这一章吃透，后面的联合优化、图优化、因子图，理解起来会轻松很多。

嗯，今天就到这里。下一章我们开始讲具体的标定方法——手眼标定和基于运动的标定。到时候我会把实际项目中的坑一个一个给你拆开讲。

---