LiDAR-相机联合标定核心原理

联合标定的核心逻辑是：通过共同观测的标定靶标，获取多组3D（LiDAR）-2D（相机）对应特征点，利用这些匹配点求解外参，再通过优化减小投影误差。整个过程围绕“特征匹配-参数求解-误差优化”展开，自动驾驶场景常用的标定方法分为靶标式标定（离线高精度）和无靶标标定（在线自适应）两类。

靶标式标定：量产车主流方案（棋盘格/AprilTag/3D靶标）

靶标式标定是目前自动驾驶量产、实验室标定的首选方案，精度高、稳定性强，依赖高精度标定靶标提供精准的3D-2D对应点。

标定靶标选择

棋盘格靶标：成本低、角点易提取，相机可精准检测内角点，LiDAR可识别平面与角点，适合离线静态标定，是常用的靶标类型。

AprilTag靶标：自带编码ID，可实现多靶标同时匹配，抗遮挡、抗干扰能力强，适合复杂场景与多传感器协同标定。

3D立体靶标：精度较高，适合高阶自动驾驶与激光雷达密集点云场景，成本相对较高。

标定核心流程（原理层面）

同步观测：LiDAR与相机同时拍摄标定靶标，保证时间戳严格对齐，避免运动模糊导致特征偏移。

特征提取：在相机图像中提取靶标角点/编码点（2D像素坐标），在LiDAR点云中提取对应靶标的三维角点（3D空间坐标）。

初始外参求解：利用多组3D-2D匹配点，通过几何约束计算初始旋转和平移参数，得到粗略外参。

非线性优化：以“重投影误差”为优化目标，迭代调整外参，让LiDAR点云投影到图像后的位置，与实际观测的像素点偏差较小。

精度校验：验证投影误差是否满足阈值要求，不合格则重新采集数据或优化参数。

无靶标标定：自适应在线方案

无靶标标定无需专门标定物，利用环境中自然特征（如路面边缘、建筑棱角、路灯杆）实现3D-2D匹配，适合车辆行驶过程中的在线标定、外参自适应修正（解决车辆颠簸、温度变化导致的外参漂移）。

其原理是通过特征匹配算法，自动寻找图像与点云中的同名特征（如角点、边缘、平面），构建约束关系求解外参；结合深度学习算法还可实现端到端标定，提升复杂路况下的鲁棒性，但精度略低于靶标式标定，通常与靶标标定配合使用。

核心评价指标：重投影误差

标定精度的核心衡量标准是重投影误差：将LiDAR点云通过标定好的外参和相机内参，投影到图像上得到预测像素点，与实际图像中观测到的像素点的偏差。

自动驾驶场景对误差要求严苛：平均重投影误差需控制在1像素以内，误差不超过1.5像素，否则会导致障碍物定位偏移、融合感知失效，严重影响行车安全。