传感器标定是机器人项目里最不性感、却最影响成败的环节。同一条激光雷达,外参偏一点,建图就会分层;相机内参不准,检测框和测距都会偏;IMU 零偏没扣,姿态积分几分钟就飘走。更麻烦的是,标定不是一次性任务,而是会随温度、装配和碰撞变化的维护项。本文按 IMU、相机、激光雷达三类,讲清各自要标什么、怎么标、怎么验证,并给出可执行命令与代码;设备型号差异很大,具体参数以厂商手册和官方工具为准。
一、三种标定:内参、外参、时间
先把术语分清,否则很容易把"标定"混成一团:
| 类型 | 标什么 | 典型对象 | 怎么验证 |
|---|---|---|---|
| 内参 intrinsic | 传感器自身的测量模型 | 相机焦距与畸变、IMU 零偏与尺度 | 重投影误差、静置重力模长 |
| 外参 extrinsic | 两个坐标系之间的 6 自由度变换 | 雷达到车体、相机到雷达 | 点云投影到图像是否重合 |
| 时间 temporal | 不同传感器时间戳的偏移 | 相机触发延迟、IMU 到主机延迟 | 运动场景下残差是否变小 |
外参最容易被低估:平移差几厘米还能忍,角度差一两度,十米外就是几十厘米的偏差。IMU 与相机的轴定义、相机光学坐标系(z 朝前)与机器人本体坐标系(x 朝前)不一致,是新手最常见的错误来源。ROS 的约定看 REP 103(坐标系与单位)和 REP 145(IMU 消息语义),先把约定搞对再动手。
二、IMU:噪声、零偏与 Allan 方差
IMU 的简化模型可以写成:加速度计测量的是"比力"(真实加速度减去重力,再旋转到传感器系),陀螺仪测量角速度,两者都叠加零偏和噪声。零偏不是常数:它会随温度漂移、随机游走。工程上要区分三个量:噪声密度(白噪声强度)、随机游走(零偏变化的快慢)、尺度与轴间误差(灵敏度不准、三轴不正交)。
标准做法是静置采集一段长数据(常见建议是几十分钟到数小时,具体看器件和论文),用 Allan 方差曲线读出噪声密度与零偏不稳定性。Kalibr 生态里的 kalibr_allan 和 ROS 1 时代的 imu_utils 都是常用实现,思路一致。下面这段 ROS 2 Python 节点做的是更粗但更实用的一步:统计静置时的均值,判断零偏和重力模长是否正常:
import numpy as np
import rclpy
from rclpy.node import Node
from sensor_msgs.msg import Imu
class ImuBias(Node):
def __init__(self):
super().__init__('imu_bias')
self.samples = []
self.create_subscription(Imu, '/imu/data', self.on_imu, 10)
self.create_timer(1.0, self.report)
def on_imu(self, msg):
if len(self.samples) < 2000:
a = msg.linear_acceleration
g = msg.angular_velocity
self.samples.append([a.x, a.y, a.z, g.x, g.y, g.z])
def report(self):
if not self.samples:
return
data = np.array(self.samples)
acc_bias = data[:, :3].mean(axis=0)
gyro_bias = data[:, 3:].mean(axis=0)
self.get_logger().info(
f'acc={acc_bias.round(3)} |a|={np.linalg.norm(acc_bias):.2f} m/s^2')
self.get_logger().info(f'gyro={gyro_bias.round(4)} rad/s')
self.samples = []
def main():
rclpy.init()
node = ImuBias()
rclpy.spin(node)
if __name__ == '__main__':
main()
静置时加速度模长应该接近当地重力加速度(约 9.8 m/s²,随纬度与海拔略有变化)。偏差大,先查坐标系朝向和单位,再查安装是否倾斜。陀螺均值偏离零越多,静止积分漂移越快。注意这段代码测到的是"零偏加安装误差"的混合量,不能直接当 Allan 方差结果用。IMU 标定结果最终要落到 imu_filter_madgwick 或 robot_localization 的噪声参数里,参数含义以对应包文档为准。
三、相机:内参与畸变
针孔模型只需要四个内参:fx、fy、cx、cy;畸变常用 k1、k2、p1、p2、k3。ROS 2 的 camera_calibration 提供图形化工具,官方单目标定教程的命令是:
ros2 run camera_calibration cameracalibrator \
--size 8x6 --square 0.108 \
image:=/camera/image_raw camera:=/camera
--size 写的是棋盘格内角点数,不是方格数;--square 是方格边长(米)。标定时要让棋盘覆盖画面四个角、不同距离、不同倾斜角;CALIBRATE 亮起后计算,点 COMMIT 会把结果发布到 camera_info,再用 camera_calibration_parsers 存成 yaml,通过驱动的 camera_info_url 加载。注意:加载标定文件不等于图像去畸变,去畸变还要跑 image_proc。
如果想理解工具背后在做什么,用 OpenCV 复现一遍:
import glob
import cv2
import numpy as np
pattern = (8, 6) # 内角点列数、行数
square = 0.025 # 方格边长(米)
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-3)
objp = np.zeros((pattern[0] * pattern[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern[0], 0:pattern[1]].T.reshape(-1, 2) * square
objpoints, imgpoints, size = [], [], None
for path in sorted(glob.glob('calib/*.png')):
gray = cv2.cvtColor(cv2.imread(path), cv2.COLOR_BGR2GRAY)
ok, corners = cv2.findChessboardCorners(gray, pattern, None)
if not ok:
continue
corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
objpoints.append(objp)
imgpoints.append(corners)
size = gray.shape[::-1]
rms, K, D, _, _ = cv2.calibrateCamera(objpoints, imgpoints, size, None, None)
print('重投影误差 rms =', round(rms, 4))
print('内参 K =\n', K)
print('畸变 D =', D.ravel())
rms 是重投影误差,用像素度量,越小越好,但它不是唯一标准:样本太少、覆盖不全时,rms 也可能"看起来很漂亮"。正确做法是看误差在图像不同区域的分布,并检查矫正后直线是否真的直。标定板本身的平整度和打印尺寸误差,会直接变成系统误差。
四、激光雷达与外参
2D 激光雷达的内参通常由厂商出厂标定,用户能调的是安装外参、遮挡和过滤。要关注的是量程、角度分辨率、扫描频率和强度信息;多线雷达还要关注垂直视场与点云时间戳。外参标定常见三种路线:
- 手工测量加可视化微调:先用卷尺量平移,再在 RViz 里把点云和图像叠起来调角度,适合快速起步。
- 标定板法:棋盘格同时出现在相机和雷达视野里,提取角点与点云平面对应,求解外参。
- 运动法(手眼标定):让传感器组合做多组运动,用运动约束求解,适合相机与 IMU、相机与雷达。
手工外参用静态 TF 发布,命令本身很简单,难的是数值从哪来:
# 平移单位是米,旋转单位是弧度;具体参数名以 ros2 run tf2_ros static_transform_publisher --help 为准
ros2 run tf2_ros static_transform_publisher \
--x 0.12 --y 0.0 --z 0.18 --roll 0 --pitch 0 --yaw 0 \
--frame-id base_link --child-frame-id lidar_link
相机还要额外发布光学坐标系:从 camera_link(x 前、y 左、z 上)到 camera_link_optical(z 前、x 右、y 下)的旋转是 roll = -π/2、yaw = -π/2。这一步漏掉,点云投影永远对不上。验证方法很直接:把雷达点云按外参投到图像上,看边缘是否重合、远距离是否偏移;也可以拿一段包含明显角点的 bag,反复回放调参。
五、时间同步与坐标系
多传感器融合里,时间误差和角度误差一样致命。相机曝光时间戳、IMU 采样时间戳、雷达扫描起止时间戳如果没对齐,运动中的点云会"拖影",融合结果会被系统性拉偏。工程上分三层处理:硬件层用触发线、PPS 或 PTP 同步时钟;驱动层尽量用硬件时间戳而不是收到消息的时间;算法层用 message_filters 做近似时间同步,或在标定/融合中显式估计时间偏移。
TF 查询也要用消息自带的时间戳,而不是直接取最新变换。尤其在仿真里,use_sim_time 没设对,TF 会大量报 extrapolation 错误;真机上系统时钟被 NTP 大幅调整时,历史 bag 回放也会对不上。记录数据前先确认三件事:所有节点同一时钟源、消息时间戳来自驱动、TF 与消息时间戳在同一时间轴。
六、常见坑与项目清单
- 棋盘格打印变形或用屏幕显示,这是最常见的"标定失败"原因。
- 只标一次就长期使用,温度变化和轻微碰撞后不复核。
- 相机自动对焦、自动曝光开着做标定,内参不稳定的情况下怎么标都飘。
- 外参装反或符号写错,比如把雷达装到车尾却按车头方向配。
- 标定结果没有真正发布到
camera_info或 IMU 参数里,白标。 - 拿仿真数据验收标定:仿真里外参是配置出来的,验证不了真机装配误差。
- 忽略滚动快门、雷达运动畸变和雷达与相机视场不重叠的问题。
| 任务 | 验收标准 |
|---|---|
| IMU 静置采集并估计零偏 | 重力模长接近 9.8,陀螺均值接近零并记录温度 |
| 相机单目标定 | 覆盖画面四角与不同距离,矫正后直线变直 |
| 雷达-相机外参 | 点云投影在近、中、远三处都与图像边缘重合 |
| 时间同步检查 | 运动场景下融合残差没有系统性滞后 |
| 标定文档 | 记录日期、温度、工具版本、原始数据与复标条件 |
标定没有"一次搞定",只有"可复现、可追溯"。把每次标定的原始数据、参数和验证截图存进仓库,下次出问题时你才有得比。这比多调一个参数更能救项目。
参考与延伸阅读
- camera_calibration 包文档(Jazzy)
- 单目相机标定教程(camera_calibration)
- OpenCV 相机标定教程
- Kalibr(相机 / IMU 标定)GitHub 仓库
- REP 145:IMU 消息约定
- REP 103:坐标系与单位约定
外链内容由对应网站负责,访问以实际可用性为准。