激光雷达的标定是确保其测量数据准确性和多传感器融合一致性的关键步骤，主要包括内参标定（校准自身几何与光学参数）和外参标定（确定雷达与其他传感器/载体的相对位姿）。以下是常用方法的详细说明：

一、内参标定

用于校正雷达内部误差（如镜头畸变、电机偏斜、时间同步偏差等）。

1. 工厂标定

   • 厂家通过高精度转台和靶标在温控环境下完成，用户通常无法修改。
   • 关键参数：光束方向偏移、镜头畸变系数、时间-角度同步参数。

2. 基于场景的自标定

   • 平面特征法：利用环境中的规则平面（如墙壁、地面），通过点云拟合平面，优化参数使点到平面的距离最小化。
   • 运动标定法：在移动中采集连续帧数据，通过点云配准（如ICP）反推雷达运动参数，与IMU/轮速计数据对比校准内参。

二、外参标定

确定激光雷达相对于其他传感器（相机、IMU、车身）的6自由度位姿（3平移 + 3旋转）。

1. 手动靶标法（高精度首选）

• 常用靶标：
  • 棋盘格：同时被相机和激光雷达识别，通过角点检测建立对应关系。
  • 三维立体靶标（如Apollo标定板）：多个相互垂直的平面，点云可提取棱线交点。
• 步骤：
  a. 固定靶标，同时采集雷达点云和相机图像。
  b. 在点云中提取靶标角点/棱线交点（需反射率差异）。
  c. 计算靶标在雷达坐标系（lidar）和相机坐标系（camera）下的3D点坐标。
  d. 通过 SVD分解 求解最优变换矩阵：
  [ T{\text{lidar}}^{\text{camera}} = \arg\min \sum | P{\text{camera}} - (R \cdot P_{\text{lidar}} + t) |^2 ]

2. 自然特征法（无靶标场景）

• 点-线-面匹配：
  • 提取环境中稳定特征（如墙地交线、柱状物体），在点云和图像中匹配对应特征。
  • 优化外参使特征对齐（如点到平面的距离、线到线的夹角最小化）。
• 运动对齐法：
  • 同步移动雷达和相机，通过视觉SLAM（ORB-SLAM）和点云里程计（LOAM）估计各自轨迹，对齐轨迹求解外参。

3. 多传感器联合标定

• 雷达-IMU标定：
  • 使用 卡尔曼滤波或优化方法（如g2o），将雷达运动速度/角速度与IMU数据对齐。
  • 工具：LI-Calib，LIO-SAM。
• 雷达-相机-IMU联合标定：
  • 通过多传感器融合框架（如Kalibr），统一优化时间偏移和空间外参。

4. 自动化在线标定

• 基于深度学习：
  • 训练网络从点云和图像中直接预测外参（如RegNet, CalibNet）。
• 自适应滤波：
  • 在运行时通过点云与地图匹配实时更新外参（常用于长期作业机器人）。

三、标定验证

1. 重投影误差：将雷达点云投影到相机图像，检查边缘对齐程度。
2. 轨迹一致性：多传感器融合建图时，检查重叠区域点云是否无缝拼接。
3. 定量指标：计算标定后特征点的对齐误差（RMS值应＜0.1°角度，＜2cm平移）。

四、工具推荐

• 开源工具：
  • Apollo标定工具（棋盘格/立体靶标）
  • LI-Calib（雷达-IMU）
  • Automatic_LiDAR_Camera_Calibration（自动标定）
• 工业方案：
  • 法如（FARo）三维扫描仪 + SpatialAnalyzer 软件（工厂级精度）

注意事项

• 环境要求：标定时避免振动、强光、动态物体。
• 反射率控制：靶标需覆盖高/低反射材料，确保点云可提取特征。
• 时间同步：若使用外部触发，需先校准时间戳偏移（如PTP协议）。

通过系统化标定，可显著提升激光雷达在SLAM、障碍物检测等任务中的精度，是自动驾驶和机器人系统的核心环节。实际应用中需根据传感器类型（机械式/固态）和场景灵活选择方法。