激光雷达标定方法综述
主题：激光雷达标定的完整知识框架——标定数学基础、内参/外参/时间标定分类、基于目标物方法（标定板设计、特征提取、求解算法）、无目标物方法（信息论/特征/运动/学习）、工程化流程（Apollo）、工业设备整机标定，以及标定精度影响因素。 本版整理自多篇英文综述（Springer/TITS/MDPI，要点已译）、Apollo 官方文档、CSDN 工程实践与工业案例（振华重工、中冶南方专利），结合数学推导展开。 版权说明：本文为公开资料（论文/专利/厂商文档）的中文要点综述与整理，非原文转载。完整内容与图表请访问文末「信息来源」中的原始链接；引用请注明原始出处。
1. 标定的数学基础
Section titled “1. 标定的数学基础”1.1 刚体变换
Section titled “1.1 刚体变换”外参标定核心：求两坐标系间 6 自由度刚体变换（旋转 R + 平移 T）：
P_B = R · P_A + T- R：3×3 旋转矩阵（可用欧拉角/四元数参数化）；
- T：3×1 平移向量；
- 齐次形式：4×4 变换矩阵 [R|T; 0 1]。
1.2 LiDAR-相机投影模型（外参标定的核心公式）
Section titled “1.2 LiDAR-相机投影模型（外参标定的核心公式）”三维点从 LiDAR 坐标系 {L} 到图像像素 (u,v)：
Z_C [u, v, 1]ᵀ = K [R_CL | T_CL] [X_L, Y_L, Z_L, 1]ᵀ- K：相机内参矩阵（fx, fy, cx, cy + 畸变系数）；
- [R_CL | T_CL]：待求外参；
- Z_C：点在相机系下深度。
标定本质：建立 3D 点与 2D 像素的对应关系后，求解上述方程中的变换矩阵。
1.3 LiDAR 球坐标→直角坐标
Section titled “1.3 LiDAR 球坐标→直角坐标”LiDAR 原始数据为球坐标 (r, θ, φ)：
x = r·cos(φ)·sin(θ)y = r·cos(φ)·cos(θ)z = r·sin(φ)（不同厂商轴定义略有差异——这是内参标定的一部分内容）
2. 标定分类：内参 / 外参 / 时间
Section titled “2. 标定分类：内参 / 外参 / 时间”| 类型 | 内容 | 典型方法 | 工业注意 |
|---|---|---|---|
| 内参标定 | 传感器自身参数：测距偏差、角度偏差、激光管朝向角、距离补偿系数 | 出厂校准为主；高精度应用复标 | 机械雷达运输/振动后需复检 |
| 外参标定 | 传感器间 6DoF 变换（LiDAR↔Camera、LiDAR↔IMU、LiDAR↔LiDAR、LiDAR↔设备机构） | 本文 §3/§4 | 工业核心——雷达装在移动机构（悬臂/天车/卸船机梁）上 |
| 时间标定 | 传感器间时间戳偏移/延迟 | PPS 硬件同步、软件时间戳估计、连续时间联合优化 | 运动场景下时间误差直接转空间误差 |
三种标定相互依赖：内参不准→外参不准；时间戳偏差→运动估计误差→外参不准。因此出现联合标定（Joint Calibration）：一个优化框架内同时估计外参+时间偏移、甚至内参——更精确但优化复杂度高。
3. 基于目标物的外参标定（Target-Based）
Section titled “3. 基于目标物的外参标定（Target-Based）”3.1 标定物设计
Section titled “3.1 标定物设计”| 标定物 | 适用 | 特征提取方式 |
|---|---|---|
| 棋盘格 | LiDAR-Camera 最经典 | 图像角点（亚像素）+ 点云平面/边缘 |
| 圆孔/圆形板 | 稀疏 LiDAR 点云更鲁棒 | 圆心（图像+点云都可精确定位） |
| ArUco 标记板 | 相机自动检测+姿态估计 | 标记角点+位姿 |
| 三面角规/定制板 | 多传感器共视 | 面/边/角特征 |
3.2 标准流程（四步）
Section titled “3.2 标准流程（四步）”- 数据采集：标定板在不同位置/姿态下多次采集（距离、角度多样化）；
- 特征提取：图像中提取 2D 特征（角点/圆心），点云中提取 3D 特征（角点/平面/边缘）；
- 对应建立：2D-3D 或 3D-3D 匹配（至少 3 组非共线对应）；
- 优化求解：最小化误差度量。
3.3 求解算法
Section titled “3.3 求解算法”| 算法 | 对应类型 | 原理 | 特点 |
|---|---|---|---|
| PnP 及变种（EPnP/DLT） | 3D-2D 对应 | 由 n 个 3D 点及其 2D 投影求相机位姿 | 高效，需内参已知 |
| ICP 及变种（点对点/点对面） | 3D-3D 对应 | 迭代最近点，交替寻对应+求变换 | 需良好初值 |
| Levenberg-Marquardt | 通用非线性优化 | 最小化重投影误差/点到面距离 | 最终精修 |
精度策略：粗解（PnP/闭式解）→ 精修（LM 最小化重投影误差），多点多次测量平均。
3.4 工具链
Section titled “3.4 工具链”- ROS
cameracalibrator.py（相机内参）； - MATLAB Lidar Camera Calibrator App（棋盘格 LiDAR-相机外参）；
- Autoware Calibration Tools（手动选点外参标定）；
- OpenCV solvePnP + PCL ICP 组合（自研常用）。
4. 无目标物外参标定（Targetless）
Section titled “4. 无目标物外参标定（Targetless）”| 子类 | 原理 | 代表 | 特点 |
|---|---|---|---|
| 基于信息论 | 最大化点云投影与图像的互信息 | Mutual Information 方法 | 无需人工特征，对初始值敏感 |
| 基于特征 | 匹配自然场景的点/线/面/语义特征 | 线特征（LiDAR 反射强度边缘）、面特征（地面/墙面） | 依赖场景特征丰富度 |
| 基于运动 | 比较各传感器估计的运动轨迹（手眼标定 AX=XB） | LiDAR-IMU 标定 | 工业常用（设备运动即可标定） |
| 基于学习 | 深度网络直接回归外参 | CalibNet 等 | 可在线、快，需训练数据+泛化验证 |
4.1 手眼标定（AX=XB）详解
Section titled “4.1 手眼标定（AX=XB）详解”- 场景：LiDAR 与 IMU 都安装在设备上，设备运动；
- 原理：LiDAR 估计自身运动 A（点云配准）、IMU 估计自身运动 B（积分），两者关系满足 AX = XB（X 为待求外参）；
- 求解：至少 3 组非平行旋转运动，线性闭式解+非线性精修；
- 工业优势：设备正常作业即采集数据，无需标定场地——矿卡/AGV 可用运行数据标定。
4.2 综述分类视角
Section titled “4.2 综述分类视角”- Springer 综述：按”是否需要目标物 + 几何约束类型”分四类；
- IEEE TITS 2024：按对应关系建立方式分显式对应（目标物/特征）与隐式对应（信息论/运动/学习）；
- MDPI 综述：聚焦基于深度学习的无目标物标定——无需标定板、速度快、适合在线。
5. LiDAR-IMU 标定进阶（连续时间/在线）
Section titled “5. LiDAR-IMU 标定进阶（连续时间/在线）”（完整版见笔记 12，此处给核心脉络）
- LI-Calib（浙大 FAST-Lab，IROS 2020，开源）：连续时间批量优化，联合最小化 IMU 代价 + LiDAR 点到 surfel 距离，同时估计 6DoF + 时间偏移；
- GCT-LICalib（IEEE 2025）：地面平面运动（GPM）约束的在线标定——专门解决工业车辆（矿卡/AGV）只有平面运动、不满足丰富 3D 激励假设的问题；
- 多传感器联合时空标定综述（MDPI Sensors 2025）：相机-LiDAR-IMU 三者联合的空间外参+时间偏移综述；
- 工业部署策略：离线靶标标定（初值）+ 在线自标定（长期维持）；外参漂移检测（拼接残差超阈值）触发自动重标。
6. 工程化流程（以 Apollo 为例）
Section titled “6. 工程化流程（以 Apollo 为例）”Apollo 激光雷达标定（官方文档要点）：
- 准备工作：雷达安装于车顶，需求得激光雷达坐标系与车体/IMU 坐标系的转换；
- 数据采集：静态场地多次扫描（含地面、墙面等特征）；
- 求解：点云配准（ICP）+ 地面/墙面约束联合求 R、T；
- 验证：点云投影检查重投影误差与拼接一致性。
工业启示：标定不是一次性工作——振动、热胀冷缩、维护拆装都会导致外参漂移，需定期复标或在线标定。
7. 工业设备整机标定（堆取料机/卸船机案例）
Section titled “7. 工业设备整机标定（堆取料机/卸船机案例）”7.1 振华重工方案（《起重运输机械》2020，全文已核实）
Section titled “7.1 振华重工方案（《起重运输机械》2020，全文已核实）”三坐标系：大机坐标系 / 激光扫描系统坐标系（YPSS）/ 堆场坐标系（Yard），转换链：
P_yard = R(大车位置, 回转角, 俯仰角, 标定数据) · P_ypss + T标定三步（全站仪+反射片，多点多次）：
- 基准标定：轨道贴 2 反光片 O1/O2 建立坐标系，全站仪尽量远离设备，开启搬站功能保持基准一致；
- 臂架定点标定：悬臂左右各贴 2 反光片，间距取大、连线与臂架平行；
- 激光器标定：每台激光器外侧贴 3 反光片（2 平行+2 垂直扫描方向），反解安装姿态。
精度验证：三种工况（静止转动/大车移动/悬臂摆动扫描），实测偏差 ≤11 cm，满足 <20 cm 指标。
7.2 中冶南方方案（专利 CN115840217A）
Section titled “7.2 中冶南方方案（专利 CN115840217A）”免贴片路线：坐标转换 → 运动扫描 → RANSAC 拟合地面 → 遗传算法优化安装参数 → 点云精度验证闭环（见笔记 01 §5）。
7.3 无人卸船机多雷达协同标定（国家发明专利，知乎）
Section titled “7.3 无人卸船机多雷达协同标定（国家发明专利，知乎）”- 场景：火电厂无人螺旋卸船机，高湿高盐雾环境；
- 痛点：单一雷达点云失真、定位漂移；
- 方案：多雷达协同标定——多台雷达联合标定互为校验，改善单雷达失效问题（见笔记 24 §5.2）。
8. 标定精度影响因素与最佳实践
Section titled “8. 标定精度影响因素与最佳实践”| 因素 | 影响 | 对策 |
|---|---|---|
| 目标物特征提取精度 | 图像角点亚像素 vs 点云边缘模糊 | 圆孔/圆形板对稀疏点云更鲁棒 |
| 采集位姿多样性 | 姿态退化（共面/共线）导致解不稳定 | 多点多次、多角度、距离多样化 |
| 时间同步质量 | 运动场景时间误差→空间误差 | PPS 硬件同步或时间偏移联合优化 |
| 环境因素 | 光照影响图像特征、粉尘影响点云 | 标定环境选择开阔稳定区域 |
| 温度/振动 | 外参漂移 | 定期复标、在线标定、温度补偿 |
最佳实践清单：
- 粗解+精修两阶段（PnP→LM 或闭式解→ICP）；
- 多组数据联合优化（而非单帧）；
- 标定结果用独立验证集评估（重投影误差
<1-2 像素为佳）； - 记录标定环境与时间，建立复标周期制度。
9. 信息来源
Section titled “9. 信息来源”- A Survey of Extrinsic Calibration of LiDAR and Camera（Springer）：https://link.springer.com/content/pdf/10.1007/978-981-16-9492-9_92.pdf
- Survey of Extrinsic Calibration on LiDAR-Camera System for Intelligent Vehicles（IEEE TITS 2024）：https://dl.acm.org/doi/10.1109/TITS.2024.3419758
- Review of extrinsic parameter calibration of LiDAR and camera（开放期刊）：https://www.sciencedirect.com/science/article/pii/S2096579625000762
- A Review of Deep Learning-Based LiDAR and Camera Extrinsic Calibration（MDPI Sensors）：https://www.mdpi.com/1424-8220/24/12/3878
- Apollo 激光雷达标定官方文档：https://apollo.baidu.com/docs/apollo/9.0/md_docs_2_xE5_xB7_xA5_xE5_x85_xB7_xE4_xBD_xBF_xE7_x94_xA8_2_xE6_xA0_x87_xE5_xAE_x9A_xE5_xB7_xA5_ca012379cb81ff7ff15c77fa0d852859.html
- CSDN《无人车之美——外参标定方法汇总（激光雷达）》：https://blog.csdn.net/slampai/article/details/127932528
- CSDN《传感器标定（三）：激光雷达标定原理与实现详解》：https://blog.csdn.net/weixin_47429781/article/details/149597960
- 工业案例：振华重工论文（笔记 01 §3-4）、CN115840217A（笔记 01 §5）、无人卸船机多雷达标定（笔记 24 §5.2）
- 进阶：笔记 12（LiDAR-IMU/在线标定完整版）
版权提示：综述论文可引用要点（本文已翻译改写）；Apollo 文档版权归百度；CSDN 文章版权归作者；工业案例为专利/期刊，引用请注明出处。