激光雷达的自身标定（Self-Calibration 或 Intrinsic Calibration）是指对激光雷达传感器本身的内部参数进行校准的过程。它的目的是确保雷达测量数据的准确性和一致性，矫正由于制造公差、器件老化、温度变化、机械应力等因素引起的内部参数偏差。

核心目标

• 校正内部几何关系： 精确确定每个激光发射器（通道）的角度（水平角、俯仰角）、距离零位、时间同步等参数。
• 补偿系统误差： 消除或减小由传感器内部硬件特性（如镜头畸变、电路延迟、探测器响应不一致）引起的系统性测量误差。
• 提高数据质量： 最终目标是获得更精确、更一致的点云数据，为后续的感知、定位、建图等应用提供可靠的基础。

需要标定的关键内部参数

1. 距离零偏： 激光脉冲发射时刻的零点偏差。
2. 距离比例因子： 测量距离的比例误差。
3. 通道角度偏差 (Channel Angular Offsets)：
   • 水平角偏差： 每个激光通道的实际水平角与标称水平角之间的偏差。
   • 俯仰角偏差： 每个激光通道的实际俯仰角与标称俯仰角之间的偏差。（这是影响点云竖直方向一致性的最重要因素之一）
4. 内部时间同步： 不同激光通道之间或通道与旋转电机之间可能存在微小的时间延迟差。
5. 光束发散角： （可能间接影响）光束的粗细会影响单个点的位置估计。
6. 旋转电机参数： （对于旋转式雷达）如编码器误差、旋转轴晃动、转速不均匀等（有时这部分也单独称为旋转机构标定）。

自身标定的主要方法

1. 基于固定目标的标定 (Target-Based)：

   • 原理： 在已知几何形状（如平面、角反射器、棋盘格、特殊标定板）的固定目标物前，移动或旋转雷达采集数据。
   • 数据处理： 利用目标物的几何约束（如点的共面性、直线性、已知距离等），建立误差模型（例如最小化点到平面的距离或点到直线的距离），通过优化算法（如非线性最小二乘法Levenberg-Marquardt）求解最优内部参数。
   • 优点： 精度相对较高，原理清晰。
   • 缺点： 需要专门搭建标定场景和目标物，操作相对繁琐。

2. 基于运动或自然场景的标定 (Motion-Based / Scene-Based / Targetless)：

   • 原理： 利用雷达在自然运动场景下（如安装在车或机器人上行驶）采集的连续帧点云数据之间的约束关系。
   • 常用约束：
     • 点云配准： 连续的、有重叠的点云帧可以通过配准算法（如ICP）对齐。理想情况下，内部参数正确时配准误差最小。通过最小化配准误差来优化内部参数。
     • 平面约束： 假设环境中有大量平面结构（地面、墙面），同一平面上不同扫描线扫到的点应该满足共面关系。通过最小化点到拟合平面的距离来优化角度偏差等参数。（这是最常用的基于场景的方法之一）
     • 里程计/位姿约束： 如果同时有其他传感器（如IMU、轮速计、视觉里程计）提供相对准确的位姿估计，可以将这些位姿作为约束，优化雷达内部参数使得点云符合该运动轨迹。
   • 优点： 不需要专门标定场地和目标，更方便在线或在真实环境中进行。
   • 缺点： 精度受环境影响大、优化问题可能更复杂（更多变量）、需要较充分的运动或场景结构。

3. 厂商校准与在线补偿： 部分先进的激光雷达内置了自校准功能，能够实时监测温度等参数，并在内部进行动态补偿。

自身标定 (Intrinsic) 与外参标定 (Extrinsic) 的区别

• 自身标定（本文所述）： 校正的是激光雷达传感器内部的参数和关系。是传感器本身属性。
• 外参标定： 确定激光雷达相对于其他传感器（如相机、IMU、另一个雷达）或相对于载体本身（如车辆坐标系）的空间位姿关系（旋转矩阵和平移向量）。

为什么自身标定很重要？

• 保证精度： 是获得精确三维点云数据的基础。特别是多线雷达（如16线、32线、128线），微小的通道角度偏差累积起来会显著影响点云的几何保真度（表现为“重影”、拉花）和后续算法的准确性（如测距、物体识别、定位精度）。
• 提高一致性： 使不同通道、不同时间、不同环境下的测量数据具有更好的一致性。
• 保证可靠性： 对于安全关键的自动驾驶应用，可靠的传感器数据是前提。

典型标定流程 (基于目标法举例)

1. 准备： 选择合适的环境（避免强光、振动）、架设好标定板（如大面积平整白板或有规则图案的标定板）、固定或放置好激光雷达。
2. 数据采集： 控制雷达在多个不同位置和角度（覆盖其视野范围）扫描标定板，获取多帧点云数据。确保标定板在点云中清晰可见。
3. 特征提取： 从点云数据中提取标定板上的特征点、特征线或拟合标定板平面。
4. 参数初始化： 给定内部参数的初始估计值（通常使用标称值）。
5. 建立误差函数： 根据选用的约束（如点到平面距离误差、点线距离误差）定义总误差函数。
6. 优化求解： 使用非线性优化算法迭代最小化误差函数，得到最优的内部参数估计。
7. 验证： 使用标定后的参数重新处理采集的数据或新的验证数据，检查点云质量是否改善（如重影是否消失、平面是否更平整、点与点之间一致性是否提高）。使用验证板测量绝对精度。

常用工具

• 开源工具： Apollo校准工具链中的Lidar_imu_calibrator包含雷达自身标定模块，标定精度检查工具，Autoware中有雷达自标定功能。
• 厂商工具： Velodyne、禾赛科技、速腾聚创等雷达厂商通常也提供校准软件或固件更新工具。
• 自研算法： 很多公司和研究机构会根据具体雷达型号和应用需求开发自己的标定算法。

总结

激光雷达自身标定是校正其内部测量参数的关键过程，对获得高质量、可靠的点云数据至关重要。它通常通过分析雷达扫描特殊标定目标或在自然运动场景下点云的几何一致性约束来实现参数优化。定期的自身标定（尤其在安装后、经历冲击或长期使用后）是保证激光雷达持续良好性能的必要步骤。