企业官网建设流程全解析

先用一句话给这篇文章定个性：它不是官方README的复读，而是我从第一次标定翻车到最终稳定成功之后，沉淀下来的一套完整操作流和排查思路。

我最早在某台巡检机器人上做激光雷达和相机融合。当时觉得自己挺懂，直接拿结构设计图纸上的安装尺寸填了外参，把雷达点云往图像上一投影，结果板子边缘整整偏了半米。后来用Livox官方的livox_camera_calib工具重新标定，才把误差压到几个像素以内。这个工具解决的核心问题很简单：算出激光雷达坐标系和相机坐标系之间的旋转矩阵R和平移向量t，也就是外参。它适用于Livox系列雷达（Mid-360、Horizon、Avia）搭配普通USB相机、工业相机或Realsense的场景，也是后续做点云着色、多传感器目标检测、Cartographer建图并保存地图这些功能的前置步骤。

这篇文章会先讲清楚工具的标定原理，再一步步说标定板制作、数据采集、launch配置和结果验证。最后一部分是我在实际项目中踩过的坑和完整排查链路，这部分在别的教程里很少见到，但恰恰是最能帮你省时间的。

1. livox_camera_calib的标定逻辑：为什么不找点，而是找平面

1.1 外参是什么，为什么不能靠尺子量

外参描述的是两个坐标系之间的刚体变换。雷达坐标系中的任意一个点p_lidar，要投影到相机图像上，需要先通过外参变换到相机坐标系：p_camera = R * p_lidar + t。然后再用相机内参做针孔投影，得到像素坐标。

用尺子量出来的平移t还能勉强凑合，但旋转R很难量准。传感器安装时哪怕偏了1度，在10米外就会造成超过17厘米的横向误差，反映到图像上可能就是几十个像素的偏移。所以外参必须通过标定来求，而不是靠机械加工精度来保证。

1.2 平面约束：两块传感器都能稳定提取的特征

很多人第一次接触标定，第一反应是找两个传感器的共同角点，比如棱角、反光贴。但激光雷达在远距离上的点云很稀疏，想从点云里精确提取一个几何角点非常困难。livox_camera_calib避开这个问题，改用平面来做约束。

标定板在相机图像里是清晰的棋盘格，可以通过OpenCV的角点检测和solvePnP求出棋盘格平面在相机坐标系下的位姿，进而得到该平面的法向量n_c和原点距平面距离d_c。

在雷达点云中，工具利用Livox雷达的反射率特性，把标定板上的点从背景点云中分割出来，然后用这些点拟合一个三维平面，得到雷达坐标系下的法向量n_l和距离d_l。

同一个物理平面，在两个传感器坐标系里分别有不同的表示，但它们通过外参联系在一起。法向量满足n_c = R * n_l，距离满足d_c = d_l + n_l^T * R^T * t。每采集一个位姿的标定板数据，就能得到一组平面约束，把所有帧的约束放进非线性最小二乘里优化，就能解出R和t。

1.3 为什么要摆多个姿态，摆不好会怎样

如果所有帧里标定板都正对着传感器，那平面法向量几乎都指向同一个方向。这种情况下，约束方程之间高度相关，优化问题在数学上退化，旋转的几个自由度根本约束不住。最后出来的外参可能在你采集的那一个特殊方向上误差很小，换个方向就偏得离谱。

打个比方：你闭着一只眼睛，只看一个固定方向的光斑，是无法判断光源和你的空间距离的，只有左右摇头、远近走动，才能从光斑移动中反推出位置关系。标定板姿态就是这个道理。

所以录制数据时，标定板一定要覆盖正对、左右偏转、上下俯仰、画面四角斜放这些不同姿态，法向量方向尽量分散。我一般采集12到15个位姿，每个位姿保持2到3秒，低于8个位姿时外参稳定性会明显下降。

2. 标定前的准备：标定板、相机内参和话题类型

2.1 标定板制作最容易翻车的三个细节

工具示例一般用9x6的内角点棋盘格，方格边长108mm。打印时记住三点：

1. 不要用光面铜版纸，反光会让角点检测出现高光斑块，导致检测失败
2. 棋盘格必须贴在完全平整的硬板上，推荐5mm以上的亚克力板或铝塑板，不要用软木板
3. 板子四周留几厘米白边，方便点云分割时把板子区域和背景区分开

我第一次图省事，把棋盘格贴在软木板上，结果木板拿起来会弯曲，图像侧角点检测没问题，但点云侧拟合出来的平面法向量和图像侧算出来的法向量不一致，优化器只能在两者之间取一个折中，最终外参怎么调都对不齐。后来换硬板，问题当场消失。

另外多说一句，雷达侧识别标定板靠的是棋盘格黑白格在905nm红外波段反射率的差异。不要把棋盘格贴在反光不锈钢板上，否则白格在点云里的反射率会变得异常，影响平面分割。

2.2 相机内参必须提前搞定，而且要用锁焦后的参数

livox_camera_calib只标外参，不标内参，所以相机内参的准确性直接决定外参上限。如果内参本身有偏差，外参再准也无法把点云投到正确像素上。

内参获取有几个途径：

• 用OpenCV棋盘格标定程序，拍25张以上不同角度的标定板图像，覆盖画面中心和边缘
• 用Kalibr标定鱼眼镜头或大畸变镜头
• Realsense等深度相机可以用出厂内参，但最好还是自己重标一遍，因为镜头批次和温度都会影响出厂参数

有一个细节很多人忽略：标定内参之前，要先把相机的自动对焦、自动曝光、自动白平衡全部关掉，手动锁焦锁曝光。如果相机自动对焦，焦距一直在变，内参就不可能稳定。

2.3 雷达点云话题格式先对齐，不然后面全是坑

Livox的驱动经历过两个阶段：早期livox_ros_driver发布sensor_msgs/PointCloud2，后期livox_ros_driver2默认发布自定义的livox_ros_driver2/CustomMsg。livox_camera_calib按PointCloud2设计，如果话题类型不匹配，节点会直接不工作。

判断话题类型很简单：

rostopic info /livox/lidar

如果显示的类型不是sensor_msgs/PointCloud2，需要在雷达驱动launch里找消息格式相关参数（不同版本名字不一样，常见是msg_type或point_format），把输出切换成PointCloud2。也可以用一个小转换节点把CustomMsg转成PointCloud2。这一步建议在录数据之前就解决，不要录完bag再回来折腾。

3. 采集数据：标定成败的80%取决于这一步

3.1 录制前先做传感器静态检查

很多人拿到工具就急着录，结果后面反复重录。我建议录制前花五分钟做三件事：

• 确认雷达和相机之间的连接件锁紧，不会在采集过程中晃动
• 在rviz里同时订阅点云和图像，把标定板放到画面中央，确认两个传感器都能清晰看到
• 用手轻轻按压安装连接件，观察点云相对图像有没有偏移，如果有明显晃动，先解决机械问题

Mid-360虽然水平FOV是360度，但实际标定时最好把标定板放在雷达正前方60度扇区内，这里的点云密度最高，平面拟合更稳定。

3.2 标定板姿态序列：照这个顺序来

采集时最好有两个人配合，一个人移动板子，一个人观察rviz里点云和图像是否同步。实在没人配合，就把板子固定在三脚架上，移动三脚架也比手举着稳得多。

我用的姿态序列供参考：

1. 板子正对传感器，距离2.5米左右，停留3秒
2. 板子向左偏约45度，停留3秒
3. 板子向右偏约45度，停留3秒
4. 板子上仰，让传感器俯视板面，停留3秒
5. 板子下俯，让传感器仰视板面，停留3秒
6. 板子放到画面左上角，停留3秒
7. 板子放到画面右下角，停留3秒
8. 再补2到3组远近交替的位姿

距离控制在2米到5米之间。太近时板子在图像里占不满，角点检测容易失败；太远时雷达落在板子上的点数太少，平面拟合噪声大。

3.3 录制bag的参考命令

以ROS1 noetic为例，开三个终端：

# 终端1：启动雷达驱动 roslaunch livox_ros_driver livox_lidar.launch # 终端2：启动相机驱动，确保发布camera_info roslaunch usb_cam usb_cam.launch # 终端3：录制bag，注意把camera_info一并录进去 rosbag record -O calib_0803.bag \ /livox/lidar \ /usb_cam/image_raw \ /usb_cam/camera_info

Topic名以你实际环境为准。我遇到过有人只录了/image_raw没录/camera_info，后面想排查内参问题就得重新回现场录，非常痛苦。所以相机内参消息一定要录进去。

整个录制过程1到3分钟就够，换姿态时不要急，宁可每个位姿多停一会儿。

4. 跑通标定流程：编译、launch参数和结果解读

4.1 创建catkin工作空间并编译

Livox官方仓库的编译流程很常规：

mkdir -p ~/livox_ws/src cd ~/livox_ws/src git clone https://github.com/Livox-SDK/livox_camera_calib.git cd ~/livox_ws catkin_make

如果编译缺依赖：

sudo apt install ros-noetic-pcl-ros ros-noetic-camera-calibration-parsers

优化部分依赖Ceres库，如果编译时提示找不到Ceres，先安装ros-noetic-libceres或从源码编译Ceres。旧版本Ceres可能导致部分代码无法编译，建议装系统源里的较新版本。

4.2 launch文件里的关键参数怎么填

打开launch文件后，重点检查这几项：

square_size这个参数单位是米，很多人会顺手填成108，导致平面板尺寸完全错误。棋盘格如果是打印的，最好用游标卡尺量一下实际方格边长，打印缩放会产生微小误差。

初始外参尽量给一个接近真实的值。用卷尺量一下雷达和相机光心之间的平移，旋转可以先按安装方向给一个大概的偏航角。不要全填零，否则非线性优化很容易掉进局部最优。

4.3 启动节点并回放bag

配置完成后：

# 终端A：启动标定节点 source ~/livox_ws/devel/setup.bash roslaunch livox_camera_calib calib.launch # 终端B：回放录制的数据 rosbag play calib_0803.bag --clock

正常情况下，终端会持续输出检测到棋盘格、点云平面拟合成功的信息，并显示当前优化迭代的误差。如果运行半天没有任何输出，优先检查launch里的话题名是否和bag里一致。

需要注意--clock的作用是发布/clock消息，配合use_sim_time让节点时间轴跟随bag走，但它并不会改变消息头里的时间戳。真正的同步依据还是头时间戳，录制时雷达和相机的时间戳偏差才是关键。

4.4 结果怎么看，怎么保存

优化完成后，终端会打印旋转矩阵和平移向量。看到结果后先别急着关窗口，输出有以下几种可能：

• 输出一个4x4变换矩阵，这就是最终外参
• 输出R和t分开，需要自己拼成齐次矩阵
• 有些版本还会弹出一个可视化窗口，显示点云平面投影到图像的效果

拿到外参后，我建议立刻写一个静态TF发布脚本或者yaml文件，不要只记在终端里。yaml格式大致如下：

rotation_matrix: [0.999, -0.015, 0.012, 0.015, 0.999, 0.004, -0.012, -0.004, 0.999] translation_vector: [0.098, -0.045, 0.021]

后续工程直接加载这个yaml就行。

5. 避坑指南：我在实操中踩过的七个坑

5.1 棋盘格角点检测反复失败

现象是终端一直提示找不到棋盘格。排查顺序：

1. 先单独播放bag里的图像，看标定板是否完整在画面内，有没有被裁边
2. 检查光照，棋盘格反光会在角点附近形成高光斑块，导致检测失败
3. 检查board_col和board_row是不是内角点数，不是格子数。9x6是内角点9列6行，对应格子是10x7
4. 确认相机话题是去畸变后的图像，如果livox_camera_calib内部直接用原始图，大畸变镜头会检测失败

我遇到过最无语的情况是摄像头自动白平衡导致棋盘格颜色偏色，角点检测会偶发失败，锁掉自动调节后一次通过。

5.2 点云平面提取不到或拟合不稳定

这个坑的表现是节点提示点云数量不足、平面拟合失败。原因通常是：

• 标定板离太远，落在板上的点数太少
• 点云范围裁剪参数设得太小，把板子点也滤掉了
• 标定板边缘产生飞点，被错误算进平面点集

解决办法是先在rviz里用Region Selection量出标定板的空间范围，然后裁剪参数设置得比板子范围略大一点。同时观察板子在点云里有没有明显空洞，如果有，可以试试调整反射率阈值，或换一个更大的标定板。

5.3 点云话题类型不匹配导致节点不工作

如果你回放bag时节点完全没有反应，用rostopic info确认话题类型。我见过不少人在livox_ros_driver2环境下直接把 /livox/lidar 填进launch，但节点收不到数据。

解决办法：

• 雷达驱动配置里切到PointCloud2输出
• 自己写一个CustomMsg转PointCloud2的转化节点
• 换个使用sensor_msgs的驱动版本

这个话题类型问题和外参无关，但它是排在所有问题前面的"拦路虎"。

5.4 时间戳不同步导致同步丢帧

livox_camera_calib内部用的是近似时间同步，允许一定时间差。但如果雷达和相机同一时刻的时间戳相差太大，同步器会丢帧，最终表现为明明录了很多数据，节点实际处理的却很少。

排查方法是看两个话题消息头时间戳的差值：

rostopic echo /livox/lidar/header/stamp -n1 rostopic echo /usb_cam/image_raw/header/stamp -n1

如果差值超过几十毫秒，考虑在launch里加固定时间补偿，或者换用支持时间戳对齐的相机驱动。我在一个项目里用普通USB摄像头，时间戳偏差稳定在120ms左右，补了一个固定偏移后同步立刻恢复正常。

5.5 标定结果和实际安装位置明显不符

如果优化完的外参和你传感器实际的位置差异很大，九成是初始值问题。非线性优化怕初始值离全局最优太远，局部最优会让结果看起来"合理"但实际完全错误。

我的做法是：

1. 先用卷尺量平移，精度到厘米
2. 旋转初值按安装方向估算，比如俯仰和横滚给0，偏航按雷达相对相机的朝向给
3. 把初始外参写进launch，用rviz做投影预览，确认大致方向对了再跑优化

还有一种情况是点云平面法向量方向不统一，有的朝传感器，有的朝反面，导致优化错乱。解决办法是检查点云拟合出来的法向量是否指向传感器一侧，不是就取反。

5.6 多雷达点云没有统一坐标系就标定

某些大设备上装了多台Livox，点云会聚合成一个话题。如果聚合时的坐标系不是同一台雷达坐标系，平面拟合会混入来自不同坐标系下的点，优化出来当然不准。

用时先确认聚合话题的点是在统一坐标系下的。如果不确定，可以只看单台雷达的话题跑标定，标完再验证整体。

5.7 ROS2环境怎么办

livox_camera_calib官方是基于ROS1的，在ROS2环境里想用它，最稳妥的做法是用Docker开一个noetic容器，把bag喂进去跑离线标定。容器里只跑这个标定节点，不需要把其他算法也搬进去。

如果你不想用ROS1，可以去看看官方后续维护的livox_camera_lidar_calibration有没有ROS2版本，但那是另一套流程。建议不要在项目冲刺阶段临时换标定工具，先按最稳的方式把外参拿到手再说。

6. 标定完之后，怎么验证外参是真的准

6.1 点云投影图像的直观检查

拿到外参，第一件事就是把点云投影到图像上。最简单的方法是通过静态TF发布外参，然后rviz里同时订阅图像和点云。观察标定板边缘，点云轮廓和图像里的棋盘格边缘应该基本重合，误差不超过2到3个像素。

如果发现整体偏移但方向一致，多半是平移t还有误差；如果点云相对图像有旋转趋势，旋转R还有误差；如果某个区域贴合、另一个区域偏移，可能是标定板在采集时发生了形变，需要重新检查板子。

6.2 量化重投影误差

视觉检查之外，可以做一个小验证程序：对某一帧图像，用检测到的棋盘格角点作为真值，同时将雷达点云里标定板的四角投影到图像，计算平均像素误差。我的经验是误差小于3个像素说明外参质量很好，3到5个像素属于可用范围，超过10个像素基本要重新标定。

这个验证程序不复杂，写一次之后每次标定都能复用。也可以直接把重投影代码和读取yaml外参的逻辑放在一起，方便批量验证多组bag。

6.3 把外参接进你的建图或融合工程

标定结果最常见的落地方式是发布TF：

rosrun tf2_ros static_transform_publisher x y z yaw pitch roll map camera_link

也可以把外参写进你自己的SLAM配置，比如后续做Cartographer建图并保存地图时，点云变换到相机坐标系后的纹理渲染就依赖这套外参。

我最后再多说一句经验之谈：外参标定不是一劳永逸的。传感器受过撞击、安装板重新拆卸、极端温度变化后，外参都可能发生微小的漂移。我现在会在工程里加一个启动自检流程，每次开机用标定板测一次重投影误差，超过阈值就提醒重新标定。这样做看起来费了一点事，但能够避免很多融合算法里来源不明的"飘"，比出了问题再排查要高效太多。