自动驾驶激光雷达应如何进行标定?

编者语：后台回复“入群”，加入「智驾最前沿」微信交流群

在自动驾驶的技术架构中，激光雷达通过发射激光脉冲并接收反射信号，能够在复杂的物理世界中构建出高精度的点云地图。然而激光雷达在被安装到车身上后，并不是立刻就能“看清”世界的。

物理安装过程不可避免地会引入微小的位置偏差和角度倾斜，哪怕是零点几度的安装误差，在百米之外的目标检测上也会产生数米的位姿偏移。这种物理安装与数学模型之间的鸿沟，必须通过标定技术来填合。标定不仅是传感器装车后的规定动作，更是确保感知、定位与决策算法能够协同工作的基础。

标定的核心逻辑与坐标转换体系

激光雷达标定的本质是确定传感器坐标系与其他参考坐标系之间的数学变换关系。对于一台刚下线的自动驾驶车辆，标定工作会被划分为内参标定与外参标定两个核心维度。

内参标定关注的是传感器自身的“体质”，主要通过建立误差模型来消除激光发射器偏置、透镜畸变以及时间增益等内部参数带来的测量误差。一般情况下，内参标定在激光雷达出厂前的生产环节就已经由制造商完成，其目的是确保传感器在孤立状态下能够输出准确的测距和测角数据。

图片源自：网络

相比之下，外参标定则解决了传感器在整车坐标系下的“身份定位”问题。在一辆配备了L2+甚至更高级别自动驾驶系统的车辆上，会分布着多个激光雷达、摄像头、毫米波雷达以及惯性导航系统。

外参标定需要解算出激光雷达相对于车辆坐标系（通常定义为后轴中心或IMU中心）的六自由度参数，即三维平移矩阵和三维旋转矩阵。只有获得了这些精确的位姿信息，激光雷达捕捉到的点云数据才能被准确地转换到车辆统一的空间语境中，从而实现对周围障碍物的精准定位。

如果标定失效，系统可能会将本车道内的车辆误判为相邻车道的物体，或者在多雷达拼接处出现明显的断层和重影。

标定误差对感知精度的影响具有显著的放大效应。就有实验数据表明，若激光雷达在航向角上存在1度的标定误差，当探测前方100米处的物体时，其在横向上产生的位移偏差将达到1.7米左右。

在高速公路上，这一偏差足以覆盖大半个车道的宽度，直接导致自动驾驶系统的决策逻辑发生混乱。因此，精确的外参标定不仅关乎系统性能，更是行车安全的第一道防线。

静态标定的精密受控环境与技术流程

静态标定也称为离线标定，是目前工业界最成熟、精度最高的方案。这一过程一般在专门的标定间内进行，要求地面达到极高的水平度，且环境光线和背景干扰受控。

静态标定的核心依赖于具有已知几何特征的标定目标物，如棋盘格、圆点阵列、角反射器或专门设计的红外反射面板。技术人员通过在车辆四周布置这些目标物，建立起一套预设的“真实世界坐标系”。

在实际操作中，静态标定的流程会从环境监测开始，确保车辆的定位状态、传感器连接以及供电正常。

以百度Apollo平台为例，标定过程会利用Dreamview等可视化工具引导技术人员完成初值确认。对于激光雷达而言，初始的外参误差通常要求控制在正负20度以内，位移误差控制在0.5米以内，这为后续的自动化优化算法提供了良好的收敛基础。

标定程序会让激光雷达扫描周围的目标板，算法会自动提取点云中的边缘或中心特征点，并与预先测量的物理坐标进行最小二乘拟合或非线性优化，从而解算出最优的外参参数。

图片源自：网络

为了提高标定的鲁棒性，一些先进的静态标定方法采用了可重构标定板或多平面约束。例如，通过提取地面点云并结合多个斜放的标定板，可以形成更为复杂的几何约束，从而同时解算出高度、俯仰角以及水平方向的位姿。

这种方法利用了点云配准中点到面、点到线的残差最小化原理，能够显著降低手动测量引入的随机误差。

静态标定虽然流程严谨且精度稳定，但其对场地和专用设备的依赖度较高，且无法实时响应车辆行驶过程中由于机械振动或温度变化导致的微量形变。

动态标定与在线自校准的算法逻辑

动态标定技术的出现是为了弥补静态标定的时效性缺失。它允许车辆在行驶过程中，利用自然环境中的特征点进行实时或准实时的位姿校正。

动态标定一般分为下线后的短程测试标定和行驶过程中的在线自标定。在进行下线动态采集时，车辆需要以较低的速度（如10km/h）进行绕圈行驶，此时系统会通过激光雷达观测周围的墙壁或其他平面物体，利用SLAM（即时定位与地图构建）的后端优化算法来精炼外参。

在线自标定的核心算法主要依赖于点云配准技术，其中迭代最近点算法（ICP）和正态分布变换算法（NDT）应用最为广泛。ICP算法通过寻找前后两帧或传感器之间最近的对应点对，通过不断的迭代旋转和平移来最小化欧式距离。

图片源自：网络

它就像是在拼图中寻找边缘契合的过程，直到两组点云在数学层面上达到最佳重合状态。而NDT算法则引入了概率分布的思想，将三维空间划分为若干个均匀的网格，并用正态分布函数来描述每个网格内点云的空间分布特性。

相比ICP，NDT在处理大规模、具有环境噪声的点云数据时表现出更强的鲁棒性和运算效率，非常适合车载端的实时计算环境。

动态标定还高度依赖于环境中的语义特征。激光雷达不仅能探测几何形状，还能通过回波强度信息识别出材质差异。路面上的车道线通常涂有反光漆，其反射强度明显高于普通的沥青路面。

通过提取这些高强度的反射点并利用最小二乘法拟合出车道线模型，系统可以监测激光雷达的俯仰角和航向角是否偏移。这种基于环境特征的标定方法，使车辆能够在不需要回到维修厂的情况下，根据路缘、路牌等固定参考物自动修复传感器的微量漂移。

尽管动态标定对环境特征的丰富程度有一定要求，但它在降低运维成本和提高系统适应性方面展现出巨大的潜力。

多传感器融合中的时空对齐与运动补偿

在自动驾驶的感知链条中，激光雷达很少单独工作，它会与摄像头进行深度融合。这种融合的前提是极高精度的联合标定。

通过确定LiDAR与相机之间的相对位置和方向，系统可以将激光雷达的稀疏深度信息精确地投射到摄像头的像素点上。这一过程不仅涉及三维空间的坐标变换，还必须处理不同传感器之间的时间同步问题。

图片源自：网络

时间不同步会给融合算法带来致命的麻烦。

如当车辆以60km/h的速度行驶时，100毫秒的时间差就会产生约1.7米的位置错位。为了实现微秒级的同步，自动驾驶系统会采用硬件触发方案。激光雷达在旋转到特定扫描角度时，会发出一路同步脉冲（Trigger）触发摄像头曝光，确保图像捕捉的瞬间与点云扫描的瞬间在物理时空上重合。

此外，利用GPS提供的1PPS信号和IEEE 1588（PTP）协议，系统可以为所有计算单元和传感器打上统一的时间戳，从而在软件层面实现对齐。

运动畸变校正是激光雷达标定中的另一个关键环节。由于激光雷达扫描一帧点云通常需要100毫秒，而在这段时间内车辆本身是在高速运动的。这会导致一帧内的点云序列其实是在不同空间位置采集的，表现为点云数据的“扭曲”或“拉伸”，类似于相机拍摄时的果冻效应。

为了解决这一问题，系统需要引入高频的IMU数据（如200Hz）。通过对IMU数据进行积分运算，获取该帧内每一个扫描点精确的位姿补偿量，从而将所有点云数据统一还原到该帧起始时刻的坐标系中。

激光雷达与IMU的联合标定质量，直接决定了这种运动补偿的准确性，是实现高精度SLAM和稳定感知的基础。

标定技术的前沿演进与未来趋势

随着自动驾驶向L4和L5级别迈进，标定技术正在向着全自动化、无靶标化和深度学习化方向演进。传统的标定板方案虽然精准，但在大规模车队运营中显得过于笨重。

现在有技术正在研究“无靶标标定”，这种方法不需要特定的标志物，而是通过提取自然场景中的直线（如电线杆、建筑物边缘）和平面（如墙壁、地面）来自动建立约束关系。

图片源自：网络

基于深度学习的标定框架也开始崭露头角。通过卷积神经网络自动提取图像和点云中的共性特征，并在共享的投影平面上进行掩码对齐或深度流估计。

这类方法如PAIRS-Calib或DF-Calib，能够处理极大的初始位姿偏差，并具备极强的鲁棒性，甚至能在雨雪等恶劣天气下维持传感器的精度。

此外，自监督学习的引入使得系统可以根据感知结果的反馈（如检测框的重合度）来自主判断标定参数是否失效，并实时触发在线校准程序。

最后的话

标定不再是一个静态的、孤立的维修步骤，而是演变成了自动驾驶系统生命周期中的一种“自我修复”能力。从工厂端的受控测量，到行驶过程中的环境语义利用，再到基于AI的跨模态特征融合，激光雷达标定技术的不断迭代，正在为自动驾驶的每一次安全转弯和紧急避让提供最底层、最稳固的几何支撑。这种对时空精度的极致追求，正是机器理解真实物理世界的开端。

-- END --