自动驾驶激光雷达外参：热漂不能靠一次标定

自动驾驶的外参问题，很多时候不是一开始没标准，而是跑起来以后慢慢漂。只要热变形和支架微振没被计入，静态场地里很漂亮的标定值，到了真实道路上就会悄悄失去约束力。

外参热漂最容易被低估，因为它不像故障那样立刻跳变。车顶激光雷达、前挡相机和车身骨架分处不同热环境，日照、空调出风、功率器件发热都会让安装基座产生毫米级位移和角分量级转角。单看机械尺寸似乎很小，但映射到几十米处的点云投影，误差就会变成清晰的横向残差。

更麻烦的是，热漂往往具有路径依赖。早晨冷车和午后热车即使处在同一环境温度，支架应力释放状态也可能不同；金属、胶层和塑料件的膨胀系数又不一致，导致回温后并不会完全回到原始零位。若校准模型只用一个温度量去拟合，就会把可逆变形和不可逆蠕变混在一起。

支架微振则让外参在动态工况下呈现另一种假稳定。车辆过减速带、连续粗糙路或长时间高速行驶时，安装件会经历高频振动和低频摆动叠加。预紧力略有衰减后，结构不一定立刻松脱，但会在某些频段里产生微小相对滑移。表现到数据上，就是静态停放时投影正常，一旦路面激励增强，点云与图像边缘的对应关系开始周期性发散。

因此，外参维护不能只依赖一次离线板标。更可靠的是在线监测场景一致性，例如利用路缘、护栏、立柱和地平面在不同传感器中的共同几何，持续估计残差分布是否整体偏向同一方向。只要残差在特定温区、特定振动工况下系统性漂移，就说明问题出在传感器相对位姿，而不是感知模型突然退化。

补偿策略也需要分层。对可逆热漂，可以建立多温区参数表或低阶热模型，在确认温度与残差关系稳定后做前馈修正；对微振和松移，则更适合设置触发条件，在残差持续超阈且场景足够丰富时执行局部重估。若把两者都塞进同一在线优化器，短时路面激励就可能被误学成长期外参。

验证时别只做平地短途。需要覆盖冷启动暴晒、长下坡制动发热、连续颠簸和高架横风等工况，再把残差与壳体温度、安装点加速度和预紧状态一并对照。只有当这些边界下外参依然可控，标定链路才算真正闭合。

装配工艺同样会决定后续漂移上限。若定位销间隙过大、胶层厚度离散或锁紧顺序不一致，出厂时的初始外参就已经带着不同应力状态。到了用户现场，这些应力在冷热循环后会以不同路径释放，表现为同平台车辆漂移方向都不一样。把机械装配窗口纳入标定流程，比事后用更多在线优化去追结构问题更有效。否则算法团队看到的只是残差波动，真正的误差源却仍留在结构装配线上。结构窗口没守住，再频繁复标也只能追着漂移跑，长期稳定性不会凭软件自己长出来，维护成本也会被持续抬高。

所以，自动驾驶外参不是交付时写进文件就结束的静态常量。把热漂和微振视为持续存在的结构变量，感知坐标系才不会在运行中悄悄松掉。