传感器标定技术：内参标定与外参标定

说到传感器融合，标定是绕不开的第一道坎。我见过太多团队，算法模型调得漂漂亮亮，一上实车就崩，最后查来查去——标定参数是错的。说白了，标定就是给传感器「配眼镜」，度数不对，后面全是白费力气。

这一章咱们聊聊内参标定和外参标定。内参是传感器自己的「脾气」，外参是传感器之间的「关系」。嗯，先讲内参。

内参标定：IMU六面法

IMU（惯性测量单元）这东西，出厂时每个轴都有偏差。你把它放平了，它告诉你倾斜了0.5度——这就是零偏。还有尺度因子、交叉耦合，都得标。

六面法是我个人最常用的方法。为什么叫六面法？因为你要把IMU分别朝六个方向静置：X轴朝上、X轴朝下、Y轴朝上、Y轴朝下、Z轴朝上、Z轴朝下。每个方向采集几十秒数据，取平均。

核心原理很简单：地球重力是已知的（约9.8 m/s²），每个方向上的理论加速度值就是[0, 0, g]或者[0, 0, -g]这种。实际测量值和理论值之间的差异，就是你要补偿的参数。

a_meas = S * (a_true + b) + n

我在项目里遇到过一个问题：IMU装在电路板上，电路板本身有轻微形变。六面法标出来的参数，换一个安装位置就不准了。后来我加了一步——先做温度补偿，再做六面法。效果好了不少。

内参标定：相机棋盘格

相机内参标定，说白了就是搞清楚镜头畸变和焦距。最经典的方法就是棋盘格标定——打印一张棋盘格，拍个十几张不同角度的照片，然后用OpenCV的calibrateCamera()搞定。

为什么用棋盘格？因为角点检测稳定。你想想看，黑白交界的角点，亚像素精度都能做到0.1像素以内。我习惯用7×10的棋盘格，格子大小30mm，打印出来贴在硬纸板上。

标定步骤很简单：

1. 拍10-20张照片，覆盖视野各个区域
2. 检测角点，提取像素坐标
3. 输入已知的物理坐标（棋盘格尺寸）
4. 求解内参矩阵和畸变系数

这里有个坑——照片不能都在同一个角度拍。我见过有人拍了20张，全是正对着棋盘格的，结果标出来的畸变参数完全不对。要旋转、倾斜、远近都拍一些。

外参标定：手眼标定

手眼标定，解决的是「机械臂末端和相机之间的位姿关系」。说白了，就是相机装在机械臂上，你要知道相机坐标系相对于机械臂末端坐标系的变换矩阵。

公式很简单：AX = XB。A是机械臂末端的运动，B是相机看到的运动，X就是你要找的手眼矩阵。解这个方程，至少需要两组非平行的运动。

我常用的方法是Tsai两步法：先解旋转，再解平移。OpenCV里有calibrateHandEye()，直接调用就行。但要注意——输入数据要足够好。机械臂的运动精度、标定板的角点检测精度，都会影响结果。

外参标定：激光-相机联合标定

激光雷达和相机，一个给深度，一个给纹理。但要把它们的数据融合，得先知道它们之间的位姿关系。这就是激光-相机联合标定。

方法有很多，我讲一个最实用的：用棋盘格做标定物。激光雷达扫到棋盘格上，会得到一些点云；相机拍到棋盘格，会得到角点。通过棋盘格在两种传感器中的观测，可以解出外参。

具体流程：

1. 把棋盘格放在激光雷达和相机的共同视野内
2. 激光雷达采集点云，提取棋盘格平面上的点
3. 相机采集图像，提取棋盘格角点
4. 用PnP或优化方法求解外参

这里有个关键点——激光雷达的点云要能清晰看到棋盘格边缘。我遇到过激光雷达分辨率太低，棋盘格边缘模糊的情况。后来换了大棋盘格（1m×1m），效果才好转。

标定工具与流程

工具方面，我推荐几个：

• Kalibr：ETH Zurich出品，支持多相机、IMU、激光雷达联合标定。功能强大，但配置复杂。
• OpenCV：相机标定的标配，简单好用。
• lidar_camera_calibration：一个ROS包，专门做激光-相机标定，上手快。
• MATLAB标定工具箱：图形化界面，适合快速验证。

标定流程我一般这么走：

1. 先标内参（IMU六面法、相机棋盘格）
2. 再标外参（手眼标定或激光-相机联合标定）
3. 最后做验证——用标定结果投影点云到图像上，看看对齐效果

验证这一步很重要。我习惯把激光点云投影到图像上，如果边缘对齐误差在2个像素以内，就算合格。超过5个像素，就得重新标。

好了，标定技术就聊到这儿。下一章咱们讲数据同步——时间戳对齐和硬件触发，这也是个容易翻车的地方。