3、坐标系与标定：世界坐标系、相机坐标系、图像坐标系、传感器联合标定基础
说实话，坐标系和标定这块，是很多刚入行同学的第一道坎。
我记得我刚做感知那会儿，总觉得标定就是个「配准」的事。后来在实车上栽了跟头——明明算法跑得好好的，换了个车就全乱套了。排查了三天，最后发现是标定参数差了0.1度。嗯，0.1度，在50米外就是将近10厘米的偏差。你说吓不吓人？
3.1 四个坐标系，一个都不能少
自动驾驶里，我们天天跟四个坐标系打交道。说白了，就是回答四个问题：
- 世界坐标系：车在哪？路在哪？——全局定位
- 相机坐标系：相机看到了什么？——以镜头为中心
- 图像坐标系：像素落在哪？——照片上的位置
- 像素坐标系：具体是哪个像素？——整张图的坐标
我习惯把世界坐标系想象成「上帝视角」。你想想看，高精地图、GPS、规划路径，全是在这个世界坐标系里玩的。而相机坐标系呢，就是相机自己的小世界——光心是原点，Z轴朝前，X轴朝右，Y轴朝下。
关键点：世界坐标系到相机坐标系，本质上是刚体变换。旋转+平移，6个自由度。我见过有人把旋转矩阵写反了，结果车道线全飞到天上去了。
3.2 从3D到2D：投影那点事
相机坐标系到图像坐标系，这一步叫「透视投影」。公式很简单：
// 相机坐标系 (Xc, Yc, Zc) -> 图像坐标系 (x, y)
x = f * Xc / Zc
y = f * Yc / Zc这里f是焦距。为什么是除法？因为近大远小啊。我在项目中遇到过一个问题：用长焦镜头时，远处物体投影到图像上几乎不动，导致测距误差巨大。后来我们加了个约束——只对30米内的目标做精确测距。
再下一步，图像坐标系到像素坐标系。这一步就是加个偏移和缩放：
u = x / dx + u0
v = y / dy + v0dx、dy是每个像素的物理尺寸，u0、v0是主点偏移。说白了，就是把连续坐标变成离散的像素格子。
我的小技巧：标定相机时，记得检查主点(u0, v0)是否在图像中心附近。如果偏差超过10个像素，说明镜头装配有问题。我曾经遇到过一台相机，主点偏了30个像素，结果车道线检测一直偏右——排查了两天才发现是硬件问题。
3.3 联合标定：让传感器说同一种语言
单个相机标定好办，棋盘格拍几张就完事。但多传感器联合标定，才是真正的硬骨头。
我做过一个项目，车上装了4个环视相机、1个前向长焦、1个激光雷达。每个传感器都有自己的坐标系。你想想看，如果它们说的不是同一种语言，融合出来的结果能靠谱吗？
联合标定的核心就一句话：找一个公共参考系，把所有传感器都对齐到它上面。
常用的方法有两种：
- 目标法：放一个标定板（比如棋盘格），让所有传感器都能看到它。然后解算相对位姿。
- 自然特征法：利用场景中的角点、边缘等特征，做自动配准。适合在线标定。
| 方法 | 精度 | 适用场景 | 我踩过的坑 |
|---|---|---|---|
| 目标法 | 高（<0.1°） | 产线、实验室 | 标定板反光导致角点检测失败 |
| 自然特征法 | 中等（0.3°~0.5°） | 路测、在线校准 | 动态场景下特征匹配容易漂移 |
注意：联合标定不是一劳永逸的。车辆行驶中的振动、温度变化，都会导致标定参数漂移。我建议每3个月或每1万公里做一次复标。曾经有客户反馈车道线检测不准，查到最后发现是标定参数已经漂了半年没更新。
3.4 实战：一个标定流程的骨架
下面是我个人习惯用的标定流程，你可以参考：
- 准备标定板：棋盘格尺寸要精确到毫米级。我一般用A1大小的板子，格子边长30mm。
- 采集数据：让标定板出现在视野的不同位置。至少20张图，覆盖远近、左右、俯仰。
- 角点检测：用OpenCV的findChessboardCorners。注意亚像素精度。
- 单目标定：算内参（焦距、主点、畸变系数）。
- 双目标定：算外参（旋转矩阵、平移向量）。
- 验证：把标定结果投影到图像上，看重投影误差。我要求误差小于0.5像素。
// 一个简单的单目标定代码片段（Python风格）
import cv2
import numpy as np
# 准备棋盘格角点的世界坐标
objp = np.zeros((6*9, 3), np.float32)
objp[:,:2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2) * 30 # 30mm格子
# 遍历所有图片，检测角点
for fname in images:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, corners = cv2.findChessboardCorners(gray, (9,6), 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)
print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)这段代码我用了不下百次。但要注意，如果标定板不平整，或者光照不均匀，角点检测会失败。我建议在自然光下拍摄，避免强光直射。
3.5 避坑指南
最后，分享几个我亲身踩过的坑：
- 坑一：标定板太小。我曾经用A4纸打印棋盘格，结果远距离根本看不清角点。后来换了A1板子，问题解决。
- 坑二：忽略畸变。有些同学标定完只用了内参，忘了畸变校正。结果图像边缘的物体位置全错了。记住，畸变系数一定要用。
- 坑三：外参初始化不对。联合标定时，如果初始位姿猜得太离谱，优化算法会收敛到局部最优。我习惯先用CAD模型给个粗略值，再让算法微调。
- 坑四：时间同步。标定完发现相机和激光雷达的数据对不上——原来是时间戳没对齐。嗯，这个坑我踩了两次才长记性。
坐标系和标定，说白了就是给传感器「校准眼睛」。眼睛准了，后面的感知算法才能站得住脚。我见过太多项目，算法调来调去效果不好，最后发现是标定参数有问题。所以，别嫌麻烦，把标定做扎实了，后面能省一大半心。