Kalibr 工具箱：多传感器标定的开源解决方案与技术实践(中)

Kalibr 的技术原理植根于多视图几何与惯性导航理论的融合，其参数求解过程可分为 “初始化” 与 “非线性优化” 两个阶段。在相机内参标定时，Kalibr 采用与张氏标定法相似的透视投影模型，通过多幅图像中靶标角点的观测值，求解焦距、主点坐标及畸变系数（支持 radtan、equidistant 等多种畸变模型），但相比传统方法，其创新在于引入了时间同步误差的校准 —— 当相机与 IMU 的时钟不同步时，图像帧与 IMU 数据的时间戳偏差会导致运动畸变，Kalibr 通过建立时间偏移与运动模型的关联方程，将时间戳偏移量（通常在 ±100ms 范围内）作为待优化参数与内参、外参共同求解，这一特性对基于事件相机、高动态 IMU 的系统尤为重要。在相机 - IMU 外参标定时，Kalibr 利用 IMU 的运动积分与相机的视觉测量构建约束：IMU 的预积分结果提供相邻图像帧间的运动估计，而相机通过靶标观测得到绝对姿态参考，两者的残差被纳入目标函数，通过 Levenberg-Marquardt 算法最小化重投影误差与 IMU 积分误差的加权和，最终输出旋转矩阵 R、平移向量 t 及时间偏移量 τ。对于多相机系统，Kalibr 通过公共视场中的靶标特征关联不同相机的观测，采用光束平差法（Bundle Adjustment）全局优化外参，确保多相机视场拼接时的几何一致性，其标定精度通常可达 0.1°（旋转）与 0.5mm（平移）以内。

Kalibr 的工具箱设计体现了模块化与扩展性的平衡，其代码架构基于 Python 与 C++ 混合实现，核心优化模块采用 C++ 以保证计算效率，而数据处理与可视化部分则使用 Python 提升开发灵活性。用户接口通过配置文件与命令行实现，支持自定义传感器模型（如鱼眼相机的畸变参数）、靶标尺寸及优化权重，这种设计使研究者能够便捷地扩展新的标定任务。可视化工具是 Kalibr 的另一大特色，它能实时显示标定过程中的重投影误差分布、IMU 数据的运动激励强度及参数收敛曲线，帮助用户判断标定质量 —— 例如，若 IMU 的运动激励不足（如仅沿单轴旋转），工具会提示 “激励矩阵秩不足”，避免因数据缺陷导致的参数退化。此外，Kalibr 支持输出多种格式的标定结果，包括 ROS 的 YAML 配置文件、MATLAB 的.mat 文件及可视化的 PDF 报告，方便与后续的 SLAM、导航系统无缝集成。

在实际应用中，Kalibr 的标定质量直接取决于数据采集的规范性与靶标设计的合理性。AprilGrid 靶标的印刷精度是关键因素，若网格线宽不均匀或编码标志模糊，会导致角点检测误差增大，进而使内参标定的重投影误差从 0.3 像素增至 1 像素以上，因此建议采用高精度激光打印（误差 < 0.1mm）并确保靶标平面度（翘曲 < 0.5mm）。数据采集时的运动策略同样重要，相机 - IMU 标定需涵盖三维空间的旋转与平移，通常要求采集过程包含至少 6 组不同姿态（如前俯、后仰、左右旋转），每组姿态保持 2-3 秒以积累足够的 IMU 数据，避免因运动单一导致外参求解的多解性。对于时间同步误差较大的系统（如低成本 USB 相机与 IMU），需通过硬件触发或软件时间戳对齐预处理数据，否则 Kalibr 求解的时间偏移量可能存在 ±5ms 的误差，影响高速运动场景下的融合精度。