1. 为什么需要相机-激光雷达联合标定在自动驾驶和机器人领域相机和激光雷达是最常用的两种传感器。相机能提供丰富的纹理和颜色信息但对距离感知较弱激光雷达能精确测量物体距离却缺乏颜色和纹理细节。要让它们优势互补首先得让它们说同一种语言——这就是联合标定的意义。我去年参与过一个园区物流机器人项目就吃过没标定好的亏。当时激光雷达检测到的障碍物位置和相机看到的图像对不上导致机器人经常对着一片空地紧急刹车。后来重新标定后识别准确率直接提升了40%。这个经历让我深刻体会到标定质量直接决定多传感器融合的效果。联合标定的本质是建立两个坐标系之间的转换关系。就像你要把中文翻译成英文得先知道两种语言的对应规则。具体来说我们需要找到从激光雷达坐标系到相机坐标系的旋转矩阵和平移向量即外参。当这个转换关系准确时激光雷达的一个点投影到图像上应该正好落在该点的实际像素位置。2. 准备工作硬件与软件环境搭建2.1 硬件准备清单先说说我推荐的硬件配置这些都是实测比较稳定的组合激光雷达RoboSense-16线性价比高或Velodyne VLP-16相机支持USB3.0的工业相机如大恒水星系列分辨率至少1280×720标定板棋盘格尺寸建议60cm×40cm格子数量8×11实际角点7×10每个格子边长3cm。我常用calib.io的在线工具生成PDF然后去图文店用KT板制作。特别提醒标定板一定要平整我有次用卷曲的纸板标定结果偏差很大。后来改用5mm厚的KT板效果立竿见影。2.2 软件安装指南Autoware的标定工具包有几种安装方式完整安装Autoware适合深度用户git clone https://github.com/autowarefoundation/autoware.git cd autoware git checkout tags/1.14.0 ./setup-dev-env.sh rosdep install -y --from-paths src --ignore-src --rosdistro $ROS_DISTRO colcon build --symlink-install --cmake-args -DCMAKE_BUILD_TYPERelease仅安装标定工具包推荐新手sudo apt-get install ros-$ROS_DISTRO-camera-calibration git clone https://github.com/autowarefoundation/autoware_calibration.git安装后建议测试相机驱动roslaunch usb_cam usb_cam-test.launch rviz在RViz中添加Image话题应该能看到实时图像。3. 数据采集如何录制高质量的bag包3.1 采集环境布置采集数据时要注意这些细节光照条件避免强光直射或极端逆光。阴天效果往往最好。标定板摆放距离2-5米范围内倾斜角度不要超过45度。运动轨迹缓慢移动标定板覆盖相机视野的各个区域左上、中上、右上等。3.2 录制命令详解我常用的录制命令是这样的rosbag record -O calibration.bag /usb_cam/image_raw /points_raw这里有几个经验值持续时间3-5分钟足够数据量约2-3GB为宜话题检查一定要用rostopic list确认话题名称常见踩坑点话题名称不对应比如激光雷达实际输出的是/lslidar_point_cloud但标定工具默认监听/points_raw。这时需要remaprosbag play calibration.bag /lslidar_point_cloud:/points_raw时间不同步建议先用ntpdate同步设备时间否则可能导致图像和点云时间戳对不上。4. 标定实战一步步教你操作4.1 标定工具启动与配置启动命令roslaunch autoware_calibration camera_lidar_calibration.launch关键配置参数Pattern Size这是指棋盘格的角点数量不是格子数。比如8×11的棋盘格角点应该是7×10。Square Size每个格子的实际物理尺寸单位米。一定要测量实际打印尺寸别轻信PDF标注值。我遇到过一个典型案例用户设置的Square Size是0.02但实际测量是0.015导致标定失败。所以随身带把游标卡尺很必要。4.2 点云与图像对齐技巧操作流程按B键将背景设为白色用,和.键缩放点云方向键移动点云位置当棋盘格清晰可见时按Grab抓取帧对齐的秘诀是在点云中找棋盘格的四个角点图像中的棋盘格边缘应该与点云轮廓重合多采集几个不同角度和距离的样本建议15-20组4.3 常见问题排查问题1点云不显示检查bag播放时的话题remap是否正确确认RViz中能正常显示点云尝试重新录制数据包问题2无法Grab图像确认棋盘格完全在视野内检查Pattern Size设置是否正确尝试调整环境光照问题3标定误差大检查棋盘格是否平整确认Square Size输入值准确增加采样帧数并均匀分布5. 标定结果验证与应用5.1 结果验证方法标定完成后一定要做这些检查Project验证点击Project按钮观察红色投影点是否集中在棋盘格上重投影误差理想值应小于2个像素人工检查选择几个特征点如棋盘格角点手动验证图像和点云的对应关系5.2 实际应用示例将标定结果用于目标检测import numpy as np # 从标定文件读取外参 R np.loadtxt(rotation.txt) # 旋转矩阵 T np.loadtxt(translation.txt) # 平移向量 def project_lidar_to_camera(points_3d): points_cam R points_3d.T T.reshape(3,1) pixels camera_matrix points_cam # camera_matrix为相机内参 pixels pixels[:2,:] / pixels[2,:] return pixels.T5.3 标定结果优化技巧如果对结果不满意可以尝试增加标定板倾斜角度的多样性在不同距离1m、3m、5m分别采集数据使用非线性优化方法进一步优化外参最后提醒标定不是一劳永逸的当传感器位置发生变动或者经过剧烈震动后都应该重新标定。我习惯在每次系统上电后做一个快速验证确保标定结果仍然可靠。