一、传感器校准基础原理
（一）校准核心目标
自动驾驶系统依赖激光雷达（LiDAR）和摄像头的协同感知环境，校准的核心是建立两者之间的空间坐标转换关系，确保同一物理目标在两种传感器数据中的坐标统一。具体包括：
- 外参校准：求解激光雷达与摄像头之间的旋转矩阵（R）和平移向量（T），实现三维点云与二维图像的坐标映射。
- 内参校准：针对摄像头，确定焦距、主点坐标、畸变系数等参数；针对激光雷达，修正测距误差、角度偏移等硬件特性。
- 时间同步：消除传感器数据采集的时间差（通常要求误差 < 1ms），避免运动状态下的时空错位。
（二）坐标系定义
- 激光雷达坐标系：以激光雷达中心为原点，X 轴向前，Y 轴向左，Z 轴向上（右手坐标系）。
- 摄像头坐标系：以镜头光学中心为原点，X 轴向右，Y 轴向下，Z 轴向前（遵循图像坐标系惯例）。
- 世界坐标系：以校准板中心或车辆后轴中心为基准，用于统一多传感器坐标。
二、激光雷达校准技术
（一）内参校准
- 测距误差校准：
- 使用高精度测距仪（如激光跟踪仪）在不同距离（5m、10m、50m）测量标准靶标的实际距离，对比激光雷达输出值，建立误差补偿模型（如线性修正：d_corrected = k*d_measured + b）。
- 环境补偿：记录不同温度（-20℃~60℃）和湿度下的测距偏差，加入温度传感器实现动态校准。
- 角度偏差校准：
- 利用多面体校准靶（如正十二面体），通过激光雷达扫描靶面法线方向，计算水平角和垂直角的偏移量，生成角度修正表。
- 配置示例（激光雷达内参文件）：
{ "angle_correction": { "horizontal": [0.01, 0.02, ..., -0.01], // 水平角修正值（每线） "vertical": [-0.03, -0.02, ..., 0.02] // 垂直角修正值（每线） }, "distance_correction": {"k": 1.002, "b": -0.05}}（二）外参校准（与车身坐标系）
- 校准工具：平面校准板（带棋盘格或二维码）、高精度全站仪。
- 流程：
- 将校准板固定在已知坐标的位置（如（5m, 0, 0）），激光雷达扫描获取点云。
- 提取校准板平面方程，计算其在激光雷达坐标系中的位置。
- 通过 3 组以上不同位置的校准数据，求解激光雷达到车身坐标系的转换矩阵。
三、摄像头校准技术
（一）内参校准
- 棋盘格校准法：
- 使用打印的棋盘格模板（如 8×6 格，方格边长 20mm），在不同角度（至少 10 组）拍摄图像。
- 通过 OpenCV 的calibrateCamera函数计算内参矩阵（K）和畸变系数（k1, k2, p1, p2, k3）：
import cv2import numpy as npobjpoints = [] # 三维世界坐标imgpoints = [] # 二维图像坐标# 读取棋盘格图像并检测角点（省略）ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, img_size, None, None)# 内参矩阵mtx: [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]- 畸变矫正：使用校准得到的畸变系数对图像进行矫正，消除鱼眼效应或透视变形：
h, w = img.shape[:2]newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))dst = cv2.undistort(img, mtx, dist, None, newcameramtx)（二）外参校准（与激光雷达）
- 基于校准板的联合校准：
- 将带反光标记的棋盘格置于传感器前方，确保激光雷达可扫描到反光点，摄像头可拍摄到棋盘格。
- 提取激光雷达坐标系下的反光点三维坐标（P_lidar）和摄像头坐标系下的棋盘格角点二维坐标（P_img）。
- 通过 PNP（Perspective-n-Point）算法求解转换矩阵：
# 已知3D点和对应2D点，求解旋转和平移retval, rvec, tvec = cv2.solvePnP( objectPoints=P_lidar, # 激光雷达3D点 imagePoints=P_img, # 摄像头2D点 cameraMatrix=mtx, # 摄像头内参 distCoeffs=dist # 畸变系数)R, _ = cv2.Rodrigues(rvec) # 旋转向量转矩阵- 动态校准优化：在车辆行驶过程中，通过匹配路面特征（如车道线、路灯），使用 ICP（迭代最近点）算法优化外参，减少静态校准误差。
四、联合校准与验证
（一）联合校准流程
- 硬件准备：确保传感器固定牢固（振动导致的位移需 < 0.1mm），连接时间同步装置（如 PTP 时钟）。
- 数据采集：
- 静态场景：采集至少 5 组不同位置的校准板数据。
- 动态场景：在结构化道路（如停车场）采集包含丰富特征的数据（墙体、柱子、地面标线）。
- 参数求解：融合静态校准的初始值和动态优化结果，得到最终外参矩阵。
- 结果验证：计算点云投影到图像的重投影误差（需 < 1 像素），误差过大则重新校准。
（二）校准验证方法
- 可视化验证：将激光雷达点云通过外参投影到摄像头图像，检查点云是否与对应物体边缘对齐（如车辆轮廓、行人轮廓）。
- 定量指标：
- 重投影误差：error = mean(sqrt((u_proj - u_gt)^2 + (v_proj - v_gt)^2)) < 1.5px
- 距离一致性：同一目标的激光雷达测距与摄像头三角测距偏差 < 5cm。
五、常见问题与解决方案
（一）校准误差过大
- 原因：传感器松动、校准板精度不足、特征点提取错误。
- 解决：
- 使用机械臂固定传感器，确保无位移；
- 采用工业级校准板（平面度 < 0.1mm）；
- 优化特征点检测算法（如加入亚像素角点 refinement）。
（二）时间同步问题
- 现象：运动状态下点云与图像不匹配（如车辆行驶中，点云超前图像）。
- 解决：
- 采用硬件 PTP 同步（精度可达 100ns）；
- 软件补偿：通过时间戳计算延迟Δt，根据车辆速度v修正坐标：x_corrected = x + v*Δt。
（三）温度漂移
- 现象：校准后随环境温度变化，误差逐渐增大。
- 解决：在高低温箱中进行多温度点校准，建立温度 - 误差模型，实时补偿。
六、校准周期与维护
（一）校准周期
- 首次安装：必须进行全参数校准，保存基准参数。
- 定期校准：每 3 个月或行驶 1 万公里后进行一次验证，误差超限时重新校准。
- 触发式校准：发生碰撞、传感器拆装、剧烈振动后，强制重新校准。
（二）数据管理
- 建立校准档案，记录每次校准的参数、环境温度、误差值。
- 使用版本控制工具管理校准文件，支持参数回溯（如发现新参数异常，可恢复历史有效参数）。
通过严格遵循校准流程、选用高精度工具并定期验证，可确保激光雷达与摄像头的数据一致性，为自动驾驶的环境感知、目标检测和路径规划提供可靠的基础数据支撑。
