企业官网建设流程全解析

如何三步完成自动驾驶多传感器标定：LiDAR、相机、IMU 外参一次搞定

【免费下载链接】SensorsCalibrationOpenCalib: A Multi-sensor Calibration Toolbox for Autonomous Driving项目地址: https://gitcode.com/gh_mirrors/se/SensorsCalibration

SensorsCalibration（OpenCalib）是一个面向自动驾驶的多传感器标定工具箱，帮你把激光雷达、相机、IMU、毫米波雷达的数据统一到同一坐标系里。说白了，标定就是给每个传感器求出一组"外参"——描述它装在车上哪个位置、朝向如何——这样不同传感器看到的才是同一件事。它同时覆盖内参标定、外参标定、手动标定和自动标定，你不需要贴满整个车间的标定板，也能在普通路测场景里把参数求出来。

外参标定到底在解决什么问题

你可以把车想象成一个人，它装着好几个"眼睛"和"耳朵"：相机看颜色和纹理，激光雷达测三维点云，IMU 感知姿态，毫米波雷达追运动目标。但每个传感器都有自己的坐标系，方向、位置都不一样。如果这些坐标对不齐，融合出来的障碍物就会"飘"，定位和建图也跟着出错。

红色是车身坐标系，橙色是各传感器坐标系，标定的目标就是求出它们之间的变换关系。

标定的数学本质是一个 4×4 的齐次变换矩阵，里面装着一个旋转（3×3）和一个平移。难点不在公式，而在于你很难直接"量"出这组数——传感器装在车上，你没法拿尺子去量它和车身的相对位置。

落地提示：外参标定是传感器融合的地基。它不准，后面所有感知算法都白搭，所以一定要在融合之前把它做对。

Docker 一键起环境，5 分钟跑通第一个标定

这个工具箱的依赖不少（OpenCV、PCL、Eigen、Pangolin，部分模块还要 Ceres 和 Pangolin），手动装环境很劝退。官方给了一份现成的 Docker 镜像，把依赖都打包好了，你只需要一行命令拉镜像、再一行命令挂载代码目录启动容器。

sudo docker pull scllovewkf/opencalib:v1 sudo ./run_docker.sh

踩坑提醒：run_docker.sh会自动检测有没有 NVIDIA GPU，有 GPU 会带上--gpus all启动，图像语义分割那类任务会快很多；没有 GPU 也能跑纯 C++ 的标定模块。

每个标定模块（lidar2camera、lidar2imu、factory_calib 等）各自带一个CMakeLists.txt，进到对应目录mkdir build && cd build && cmake .. && make就能编译，编译产物在bin/下。

手动标定：用键盘把激光点云和图像对齐 🔧

当你有一张相机图像和一帧激光点云，想确认它们的相对位姿时，手动标定工具最直接。它把点云投影到图像上，你通过键盘微调旋转和平移，直到点云轮廓和图像里的道路、路缘严丝合缝。

cd lidar2camera/manual_calib ./bin/run_lidar2camera data/0.png data/0.pcd \ data/center_camera-intrinsic.json \ data/top_center_lidar-to-center_camera-extrinsic.json

左半边是手动标定控制面板，右半边是点云投影到图像上的对齐效果。

面板里q/a、w/s、e/d分别调三个旋转自由度，r/f、t/g、y/h调平移，i/k、u/j还能顺便微调相机的内参焦距。对齐满意后点Save，结果会以矩阵和 JSON 两种格式存到运行目录。

踩坑提醒：点云和图像的时间戳必须对得上。哪怕差几十毫秒，车一动，点云就会整体偏移，怎么调都"差一口气"。

自动标定：不贴标定板也能求外参 🚗

手动标定靠人眼，慢且主观。自动标定走的是另一条路：从图像和点云里各提取一批"直线特征"——车道线、路缘石、电线杆、立杆——然后把两类特征对齐来求解外参。它不需要你在车上贴标定板，一段普通路测就能跑。

图像侧的直线特征要先用一个预训练的语义分割网络（DeepLabV3）跑出 mask，再喂给标定程序；点云侧则直接从 PCD 文件里提特征。

cd lidar2camera/auto_calib ./bin/run_lidar2camera data/mask.jpg data/calib.pcd \ data/center_camera-intrinsic.json \ data/top_center_lidar-to-center_camera-extrinsic.json

绿色为激光点云特征在图像平面上的投影，投影误差越小，外参越准。

这个模块的算法叫 CRLF，基于直线特征做标定和迭代精化，对路口的斜线、曲线都能稳定收敛。

落地提示：自动标定对"直线特征"的密度敏感。一段全是平路、没有立杆和路缘的直路，特征太少，结果会飘。采集时尽量走有丰富垂直和水平特征的路段。

工厂标定和路测标定，你该用哪一套 🏭

工具箱其实分两套场景，选错会白忙一场：

• 工厂标定（factory_calib/）：车下生产线最后一道工序，用四定位 + 标定板求传感器位姿，靠的是"标定板识别"。它支持棋盘格、圆点板、竖板、AprilTag、Aruco Marker、圆孔板六种板子，而且识别代码不依赖 OpenCV，不同光照下都很稳。适合量产、重复性强、要求精度可追溯的场合。

AprilTag 标定板在相机图像中的自动识别效果，角点被精确框出。

• 路测标定（lidar2camera/、lidar2imu/、SensorX2car/、surround-camera/）：车已经在路上跑，用真实道路场景求外参，适合装车后的标定与在线精化。

怎么选一句话概括：要精度可追溯、批量重复，用工厂标定；要在真实路况下快速求参或做在线校准，用路测标定。两者并不冲突，常见做法是工厂先给一组高精初始值，路测再做自动精化。

决策提醒：如果你只是想让点云和图像"大致对齐"做个 demo，手动标定最快；如果要上量产线，务必走工厂标定并做标定板识别的精度验收。

想深入看某类标定的实现，可以直接进对应目录，每个模块的 README 都写了输入文件格式和运行命令，照着改路径就能复用。

【免费下载链接】SensorsCalibrationOpenCalib: A Multi-sensor Calibration Toolbox for Autonomous Driving项目地址: https://gitcode.com/gh_mirrors/se/SensorsCalibration