4、传感器空间标定：内参标定与外参标定

说到多传感器融合，有个绕不开的硬骨头——空间标定。说白了，就是让不同传感器知道彼此在哪儿、长什么样。我见过不少项目，算法模型调得漂漂亮亮，一上实车就崩，查到最后往往是标定没做好。嗯，这活儿看着基础，但真踩过坑的人都知道，它决定了整个系统的天花板。

4.1 内参标定：让传感器认识自己

内参标定，是让传感器搞清楚「我是谁」。每个传感器出厂时都有个理论参数，但实际装好后，镜头畸变、安装公差、温度漂移都会让理论值失效。我习惯把内参标定比作「给传感器配眼镜」——度数不对，看啥都是花的。

4.1.1 相机内参标定

相机内参包括焦距、主点坐标、畸变系数。常用的方法是张正友标定法，用棋盘格拍个十几张照片就行。我个人习惯用 OpenCV 的 calibrateCamera 函数，但要注意几点：

• 棋盘格要贴平：贴在硬质板上，别用软布。我曾经用亚克力板贴棋盘格，结果反光太强，角点检测全废了。
• 角度要丰富：前后左右、倾斜旋转，覆盖整个视场。只拍正面的，标定出来的畸变参数会偏。
• 图片数量：15-20张就够了，太多反而引入冗余噪声。

import cv2
import numpy as np

# 准备棋盘格角点坐标
pattern_size = (9, 6)  # 内角点数量
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)

# 收集所有图片的角点
objpoints = []  # 世界坐标系中的点
imgpoints = []  # 图像坐标系中的点

for fname in image_files:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    if ret:
        objpoints.append(objp)
        imgpoints.append(corners)

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

4.1.2 IMU内参标定

IMU的内参包括零偏、尺度因子、轴间对准误差。这东西比相机麻烦，因为IMU的误差会随时间漂移。我记得第一次标定IMU时，以为跟相机一样拍几张图就行，结果数据全是乱的。

IMU标定通常用六面法或转台法：

• 六面法：把IMU静止放在六个正交方向上，采集加速度计和陀螺仪数据。每个方向至少保持30秒。
• 转台法：用高精度转台提供已知角速度，反推陀螺仪误差。精度高，但设备贵。

我个人在项目里常用 Allan 方差分析来评估IMU噪声特性。它能帮你区分出量化噪声、角度随机游走、速率随机游走、零偏不稳定性等。说白了，就是告诉你这个IMU到底有多「晃」。

4.1.3 激光雷达内参标定

激光雷达的内参主要是激光发射器与接收器之间的对准误差、测距偏移、角度偏移。对于机械式雷达，每个激光器都有自己的参数，需要逐个标定。

常用的方法是：

• 平面法：用一块已知平面的标定板，让雷达扫描。理想情况下，所有点应该落在同一个平面上。实际会有偏差，通过拟合平面反推每个激光器的角度和距离误差。
• 球体法：用标准球体，通过点云拟合球心位置，评估测距精度。

我遇到过最头疼的问题，是雷达的「鬼影点」——明明前面是空地，却扫出一堆点。后来发现是某个激光器的发射功率衰减了，导致信噪比下降。嗯，内参标定不只是算参数，还得会诊断传感器健康状态。

4.2 外参标定：让传感器认识彼此

外参标定，是让不同传感器搞清楚「你在哪儿、我在哪儿」。说白了，就是求一个旋转矩阵和平移向量，把不同坐标系下的数据对齐到同一个坐标系里。

4.2.1 Camera-LiDAR 外参标定

这是最常用的外参标定之一。相机看到的是像素，雷达看到的是点云，两者要融合，必须先对齐。

常用方法：

• 棋盘格法：在棋盘格上，相机能检测到角点，雷达能检测到棋盘格平面上的点云。通过角点和平面点的对应关系，求解外参。
• 边缘对齐法：利用场景中的边缘特征（比如墙角、柱子），让相机图像中的边缘和雷达点云中的边缘对齐。

我推荐用棋盘格法，因为它稳定、可重复。具体步骤：

1. 放置棋盘格标定板，同时采集图像和点云。
2. 从图像中提取棋盘格角点，得到像素坐标。
3. 从点云中提取棋盘格平面上的点，拟合平面方程。
4. 构建约束方程，求解旋转矩阵 R 和平移向量 t。

对于棋盘格上的每个角点 P_w（世界坐标）：
  相机投影：p_cam = K * [R_cam | t_cam] * P_w
  雷达投影：p_lidar = [R_lidar | t_lidar] * P_w
  
  外参关系：p_cam = K * [R_ext | t_ext] * p_lidar
  
  其中 [R_ext | t_ext] 就是我们要标定的 Camera-LiDAR 外参。

4.2.2 Camera-IMU 外参标定

Camera-IMU 外参标定，本质上是求相机坐标系和IMU坐标系之间的刚体变换。这个标定通常和联合标定一起做，因为IMU的角速度和加速度可以辅助相机做运动估计。

常用工具：

• Kalibr：ETH Zurich 开源的标定工具，支持多相机、多IMU的联合标定。我用了好几年，很成熟。
• 联合标定流程：让设备做丰富的运动（平移、旋转、急停），同时采集相机图像和IMU数据。Kalibr 会通过优化方法，同时估计相机内参、IMU内参、以及两者之间的外参。

我个人习惯在标定前先做一次「预对齐」——用手大致测量一下相机和IMU的安装位置，给优化算法一个好的初值。否则，算法可能收敛到局部最优，标定结果看着合理，实际用起来却对不上。

4.2.3 LiDAR-IMU 外参标定

LiDAR-IMU 外参标定，通常和 SLAM 系统绑定在一起。因为IMU可以提供高频的姿态信息，帮助雷达点云做运动畸变矫正。

标定方法：

• 基于运动约束：让设备做旋转运动，雷达点云中的静止物体应该形成闭合的环。如果外参不准，环会断开。通过最小化闭合误差，反推外参。
• 基于平面约束：用标定板或地面，同时利用IMU的重力方向约束，求解外参。

我记得有一次，LiDAR-IMU 外参标定结果总是跳变，排查了两天才发现是IMU的采样时间戳和雷达的时间戳没对齐。时间同步没做好，外参标定就是空中楼阁。所以，做外参标定之前，一定先确认时间同步精度。

4.3 标定板设计与自动化标定流程

标定板是标定的「尺子」，设计得好不好，直接影响标定精度和效率。

4.3.1 标定板设计要点

• 材质：亚克力板或铝板，表面哑光处理，避免反光。我见过有人用打印纸贴泡沫板，结果一碰就弯，标定数据全废。
• 图案：棋盘格或圆点阵。棋盘格适合相机标定，圆点阵适合雷达标定（因为雷达点云中圆点更容易识别）。
• 尺寸：根据传感器视场和分辨率决定。对于激光雷达，标定板边长至少是雷达角分辨率的100倍以上。
• 多模态兼容：如果要做 Camera-LiDAR 联合标定，标定板最好同时被两种传感器清晰识别。我常用黑白棋盘格，雷达能扫到黑白交界处的边缘，相机能检测到角点。

4.3.2 自动化标定流程

手动标定太累了，而且容易引入人为误差。我建议搭建自动化标定流程，把重复劳动交给机器。

一个典型的自动化标定流程包括：

1. 数据采集：自动控制标定板或传感器运动，采集多组数据。可以用机械臂或转台，也可以用人工手持但配合脚本触发。
2. 特征提取：自动检测图像中的角点、点云中的平面、IMU中的静止区间。
3. 初值估计：用闭式解或PnP方法快速估计外参初值。
4. 非线性优化：用Levenberg-Marquardt或高斯-牛顿法，最小化重投影误差或点面距离。
5. 结果验证：用独立的验证集评估标定精度，输出残差统计。

嗯，空间标定这块内容，说难不难，说简单也不简单。关键是要理解每个参数背后的物理意义，以及它们在实际系统中会怎么影响融合效果。我见过太多人拿着工具跑一遍标定，看到「success」就以为完事了，结果融合出来的数据一塌糊涂。记住：标定不是一次性工作，传感器会老化、安装会松动、温度会变化，定期复标是保证系统长期稳定运行的关键。