企业官网建设流程全解析

一、相机标定到底在解决什么问题？

相机拍到的图像是二维像素阵列，真实世界是三维的。要让机器人或自动驾驶系统通过图像理解真实世界——比如测量前方障碍物的距离、判断车道线位置——就得在像素坐标和真实世界坐标之间建立映射关系。

这个映射关系，就是标定要干的事。拆开看，三个核心问题：

1. 内参：每个像素对应真实世界多大的角度？图像中心到底在哪？镜头让画面弯了多少？

2. 外参：相机装在车/机器人的哪个位置？朝哪个方向？和车体坐标系什么关系？

3. 畸变：镜头把直线拍弯了，广角镜头尤其严重，怎么纠正？

关键判断：不是所有相机都需要标定。如果相机只是给人看画面（倒车影像、监控），不需要标定。但如果图像要参与算法计算——目标检测、距离测量、三维重建——就必须标定。

整个标定流程是这样的：

二、标定原理：四次坐标系转换

相机标定就是求解四个坐标系之间的转换关系。一张图讲清楚：

2.1 四个坐标系速查

2.2 三步转换

第一步：世界 → 相机（刚体变换）

通过旋转矩阵R（3×3）和平移向量t（3×1），把世界坐标系下的点旋转平移成相机坐标系下的点。R 和 t 合起来就是外参。

第二步：相机 → 图像（透视投影）

利用小孔成像原理，相似三角形把三维点投影到二维平面。关键参数是焦距 f。

第三步：图像 → 像素（离散化）

把物理尺寸（mm）换算成像素单位。每个像素的物理尺寸为dx × dy（mm/像素），主点在像素坐标系中的位置为(cx, cy)。焦距 f、主点 (cx, cy)、像素尺寸 dx/dy 合起来构成内参矩阵 K。

一句话总结：外参管"相机在哪、朝哪看"，内参管"像素怎么映射到物理世界"，畸变管"镜头弯了多少"。三者缺一不可。

2.3 畸变从哪来？

理想针孔模型描述不了真实镜头。实际镜头有两种畸变：

• 径向畸变：光线在透镜边缘弯得更多，图像"桶形"或"枕形"变形。用k1、k2、k3三个系数描述。

• 切向畸变：透镜和成像平面不平行，用p1、p2两个系数描述。

要点：畸变系数不是越多越好，普通场景用 k1、k2、p1、p2 就够了（共 5 参数），开太多参数容易过拟合，校正效果反而更差。

三、标定参数：内参和外参怎么来？

3.1 内参：厂家给的值能直接用吗？

大多数工业相机和车载相机出厂时会附带一份内参报告，包含焦距、主点、畸变系数等。这些数据是在出厂时的光学平台上用精密仪器测出来的，理论精度很高。

但问题在于：出厂标定和实际使用环境不同。温度变化、振动、镜头螺纹松紧度等都会影响内参，尤其是焦距。焦距差 1%，100 米外的测量误差就可能达到 1 米。

自己标定优化：在实际部署前，用标定板重新标定，能得到更贴合实际工况的内参。一般做法：

1. 打印一张高精度棋盘格标定板（常用9×6 或 10×7格，每格尺寸精确已知，如30mm）

2. 在不同角度、不同距离下拍摄15-30 张标定板图片

3. 用 OpenCV 的cv2.calibrateCamera()或 MATLAB 的 Camera Calibrator 工具箱求解

4. 以重投影误差作为质量指标：一般要求< 0.3 像素，优秀< 0.1 像素

经验：厂家标定值作为初始值没问题，但装车/装机器人后，强烈建议自己标定一次。焦距和畸变系数在实际工况下和出厂值可能有明显差异。

3.2 外参：装车后必须重新标定

相机装到车上或机器人上后，外参（R, t）就完全变了。外参描述的是相机坐标系相对于车体/机器人基座坐标系的位置和姿态。

外参标定通常有两种方式：

• 静态标定：在车/机器人周围放置已知位置的标定物（标定板、AprilTag、Charuco 板），拍摄后通过PnP（Perspective-n-Point）算法求解。

• 动态标定：利用车辆/机器人的运动（如走直线、转弯），结合里程计或 IMU 数据，通过视觉-惯性联合优化在线标定外参。

要点：内参可以"一次标定，长期使用"（除非温度剧烈变化或受到撞击），但外参是装车后必须标定，而且长期运行中需要在线修正漂移。

四、单摄像头标定

4.1 标定五步走

Step 1：准备标定板

棋盘格是 OpenCV 原生支持的标定板，推荐：

• 格子数：9×6 或 10×7

• 格子尺寸：30mm 或 50mm（根据视场大小选择）

• 打印后贴在平整的硬板上（玻璃、铝板最佳），普通纸贴泡沫板精度不够

Step 2：采集标定图像

• 标定板在相机视野内各种角度、各种位置拍 15-30 张

• 覆盖整个视野：四个角、中间、近处、远处

• 每张图片中标定板要完整可见

• 标定板尽量倾斜（不要总平行于成像平面），这样能更好约束焦距参数

• 标定板占画面面积 20%-60% 为宜

Step 3：角点检测

OpenCV 提供cv2.findChessboardCorners()自动检测棋盘格角点，再配合cv2.cornerSubPix()进行亚像素精度优化。

Step 4：求解内参和畸变

调用cv2.calibrateCamera()，输入世界坐标系下的角点坐标（已知格子尺寸）和图像坐标系下的角点坐标，输出内参矩阵 K、畸变系数 D、每张图的外参 R 和 t。

Step 5：评估质量

计算重投影误差：将世界坐标点用标定出的参数反投影到图像上，与检测到的角点比较。平均误差< 0.3 像素为合格，< 0.1 像素为优秀。超过 0.5 像素需要回头检查角点检测精度或重新采集图像。

本节要点：单目标定五步走——准备标定板 → 多角度采集 15-30 张 → 角点检测 → calibrateCamera() 求解 → 重投影误差评估。核心原则：标定板要覆盖整个视野，不要只拍正面。

4.2 单目标定的局限

单目相机无法直接获取深度信息。标定后，单目只能建立起"像素 → 光线方向"的映射，但无法确定光线上的物体距离。要在机器人/车载场景中做测距，单目必须配合其他传感器（如 IMU 做尺度估计）或依赖地面平面假设。

4.3 标定完了怎么验证？光看重投影误差不够

重投影误差 < 0.3px 就算合格？别被这个数字骗了。重投影误差只能说明"标定板上的角点拟合得好"，不能说明标定参数在实际场景中好用。下面几种验证方法，按靠谱程度排序：

方法一：用独立验证集算重投影误差

标定时用 20 张图，另外留 5 张不参与标定，专门用来验证。在这 5 张验证图上跑cv2.projectPoints()，算重投影误差。如果验证集误差比训练集大很多（比如训练集 0.1px，验证集 0.5px），说明标定数据过拟合了——姿态覆盖不够、畸变参数开太多，都可能导致这个问题。

方法二：畸变校正后看直线

拍一张包含直线的实际场景照片（走廊、建筑外墙、瓷砖地板线），用标定参数做畸变校正后，肉眼检查这些直线是否真的直了。这是最直观的验证方式——如果校正后墙边还是弯的，标定就是失败的，重投影误差再低也没用。

方法三：放已知尺寸的物体测距（双目）

标定完双目后，找一把尺子或一个已知尺寸的物体放在相机前方，用标定参数计算深度，和实际距离对比。比如在 1 米处放一个标定板，双目测距结果应该是1.0m ± 2cm。如果偏了 10cm，回头检查基线距离和立体校正结果。

方法四：多视角投影一致性（多相机）

从不同位置拍同一个物体，用标定出的外参把物体投影到统一的坐标系下，看投影点是否重合。如果偏差超过1 个像素，说明多相机之间的外参有问题。

方法五：传感器融合对齐验证（车载）

把激光雷达点云投影到相机图像上，检查点云边缘和图像边缘是否对齐。比如路边的路灯杆，点云投影到图像上应该刚好落在灯杆的像素边缘上。如果偏了5 个像素以上，外参需要重新标定。特斯拉等车企的产线标定工位，核心验收标准就是这个。

踩过的坑：有次标定完双目，重投影误差 0.12px 看着很漂亮，但实际测距 3 米外的物体偏差 15cm。回头看标定数据——20 张照片全在画面中央 30% 区域内拍的，标定板从来没出现在边缘。标定参数在中央区域拟合得很好，但边缘区域的外推精度一塌糊涂。补拍边缘 10 张后重标，测距误差降到 2cm。

本节要点：重投影误差低 ≠ 标定好。必须用独立验证集、直线校正、实物测距、传感器融合对齐来验证。标定板必须覆盖画面边缘，否则外推精度不可靠。

五、双目摄像头标定

5.1 双目标定比单目多什么？

双目相机除了要标定每个摄像头的内参，还需要标定两个摄像头之间的外参——即右摄像头相对于左摄像头的位置和姿态（R, t）。这个外参是双目测距的基础：知道了两个相机之间的基线距离和相对姿态，再加上视差，就能用三角测量算出深度。

5.2 双目标定流程

Step 1：分别标定左右相机：先用单目标定方式分别获取左右相机的内参和畸变系数。

Step 2：立体标定：用cv2.stereoCalibrate()同时输入左右相机拍摄的同一组标定板图像，输出左右相机之间的旋转矩阵 R 和平移向量 t（基线）。

Step 3：立体校正：用cv2.stereoRectify()将左右图像校正到共面且行对齐——即左右图像中同一物体出现在同一行上。这是双目匹配算法的前提。对极误差一般要求 < 0.25 像素。

Step 4：验证：检查校正后的图像对，同一特征点应在左右图的同一行上（误差 < 1 像素）。

本节要点：双目标定比单目多两步——立体标定（求 R, t 基线）和立体校正（行对齐）。对极误差 < 0.25px 是硬指标。硬件同步触发是必须的，软件触发不够精确。

5.3 双目标定的工程要点

• 左右相机必须同时触发拍摄（硬件同步），否则运动物体会产生视差误差。软件触发通常不够精确

• 基线距离越大，远距离测距越准，但近处盲区也越大

• 标定时的光照、温度应与实际使用场景接近

六、多摄像头联合标定

6.1 为什么需要联合标定？

现代智能汽车通常配备 8-12 个摄像头（前视、环视、侧视、后视），机器人也可能配备多个不同朝向的摄像头。这些摄像头各自独立标定完后，还需要统一到同一个坐标系下——通常是车体坐标系或机器人基座坐标系。这样才能实现：

• 360 度环视拼接（Bird's Eye View）

• 多相机目标跟踪（一个物体从前方视野进入侧方视野，需要知道是同一个物体）

• 多传感器融合（相机 + 激光雷达 + 毫米波雷达）

6.2 四种联合标定方法

方法一：基于公共标定物的全局标定：在所有相机都能看到的区域放置大型标定板或多个标定物，一次性标定所有相机的外参。精度高，但场地要求高，多相机视野可能没有重叠区域。

方法二：基于标定间的链式标定：相机 A 和 B 有公共视野 → 标定 A-B 关系；相机 B 和 C 有公共视野 → 标定 B-C 关系；由此推导出 A-C 关系，再统一到车体坐标系。适合环视相机系统。

方法三：基于车辆运动的在线标定：车辆在特定场地（标定间）按固定轨迹行驶，利用特征点（地面标志、墙壁标记）和车辆里程计，同时优化所有相机的外参。目前量产车最常用的方式。

方法四：基于自然场景的在线标定：利用车道线、交通标志、建筑物边缘等自然特征，持续在线优化外参。不需要专门的标定间，但精度不如离线标定，适合做外参的长期维护和漂移补偿。

选型建议：产线用方法三（标定间+车辆运动），研发用方法一（公共标定物），长期维护用方法四（自然场景在线修正）。

6.3 多相机标定的关键挑战

七、常用标定方法对比

7.1 张正友标定法（最主流）

原理：1999 年微软研究员张正友搞出来的。用平面棋盘格标定板，从不同角度拍多张图，通过单应性矩阵求解内参，再通过旋转矩阵的正交性约束求解外参，最后用 Levenberg-Marquardt 算法做非线性优化。

优点：

• 只要一个平面标定板，成本极低

• 上手简单，OpenCV/MATLAB/ROS 都有现成的

• 精度高，重投影误差能到 0.1 像素以内

• 鲁棒，光照变化影响不大

缺点：

• 得拍 15-30 张不同角度的图，麻烦

• 标定板要覆盖整个视野，大视场相机需要大标定板

• 对广角鱼眼镜头效果一般（需要额外处理）

7.2 Tsai 两步法

原理：先用线性方法求解大部分参数，再用非线性优化求解畸变系数。两步走，先粗后精。

优点：计算量比张正友法小，适合实时性要求高的场景。

缺点：精度稍低于张正友法，对标定板的要求更高（需要三维标定物）。

7.3 基于 AprilTag/Charuco 的标定

原理：用二维码式的标定标记（AprilTag）或棋盘格+二维码混合（Charuco），每个标记有唯一 ID，即使部分遮挡也能识别。

优点：

• 部分遮挡不影响标定，适合多相机系统

• 不需要完整看到标定板

• 角点检测精度更高

缺点：

• 需要打印专用标定板

• 小尺寸标记在远距离检测困难

7.4 Kalibr（多相机+IMU 联合标定）

原理：ETH Zurich 搞的开源标定工具（GitHub: ethz-asl/kalibr），支持多相机、相机-IMU、相机-激光雷达的联合标定，基于非线性优化（Bundle Adjustment）。

优点：

• 支持多传感器联合标定

• 精度很高，学校和企业都在用

• 支持 AprilGrid 标定板

缺点：

• 上手麻烦，学习曲线不低

• 标定过程耗时不少

• 对数据质量要求高

7.5 在线自标定

原理：用自然场景中的线特征、消失点、车道线等信息，不依赖标定板，在车辆/机器人运行过程中动态更新外参。

优点：

• 不需要标定板，不需要标定场地

• 能持续补偿外参漂移

• 适合量产车长期维护

缺点：

• 精度不如离线标定

• 依赖场景特征，隧道/黑夜场景可能失效

• 算法复杂度高，需要良好的初始化

7.6 方法对比一览

选型速查：开发调试 → 张正友法（成本极低）；多传感器 → Kalibr（精度最高）；量产维护 → 在线自标定（持续修正）；鱼眼镜头 → Ocam 模型（FOV > 150° 必选）。

7.7 鱼眼相机标定：Ocam 模型

前面说的主要是普通镜头（视场角 < 120°），但车载和机器人经常用鱼眼镜头（视场角 180° 甚至更大）。鱼眼镜头的畸变太大，传统针孔模型 + 径向/切向畸变参数已经不够用了。

Ocam 模型是鱼眼标定的主流方案。核心思路：用一个多项式直接拟合入射角 θ 到像高 ρ 的映射关系：

ρ = pol[0] + pol[1]·θ + pol[2]·θ² + ... + pol[N]·θ^N

其中 ρ 是像素到光心的距离，θ 是入射光线与光轴的夹角。通常用 4-6 阶多项式就够了。

Ocam 相比传统畸变模型的优势：

实际工程中怎么选：

• 普通镜头（FOV < 100°）：张正友法 + 5 参数（k1,k2,p1,p2,k3），OpenCV 原生支持

• 广角镜头（100° < FOV < 150°）：cv2.fisheye.calibrate()，OpenCV 的鱼眼模型

• 超广角/鱼眼（FOV > 150°）：Ocam 模型，参考ethz-asl/kalibr或使用 MATLAB 的鱼眼标定工具箱

和 AVM 系统的关系：典型的 AVM 系统同时支持针孔模型和 Ocam 模型。实际部署时，相机厂商用专门的标定设备做 Ocam 内参标定（高精度转台 + 平行光管），产线只做外参优化。研发阶段如果自己标定鱼眼相机，建议用 Kalibr 的 AprilGrid + Ocam 模型方案。

八、标定难点与常见易错点

标定说起来不难——拍几张棋盘格照片，跑个 OpenCV 函数，参数就出来了。但实际工程中，标定翻车太常见了。下面是六个高频坑位，每个都附了真实案例。

8.1 标定板姿态覆盖不足

这是最普遍的问题。很多新手在一个固定位置反复拍十几张，或者只拍正面、不拍侧面。结果就是：标定板始终在画面中央、始终平行于成像平面。

后果：焦距和主点约束不足，标定结果看似重投影误差很低，但实际测距精度一塌糊涂。

正确做法：标定板要覆盖整个视野——四个角、上下左右边缘都要拍到。标定板要有倾斜（至少 30-45 度），不要一直平行于成像平面。近处、中间、远处各拍几张。

真实案例：有次在实验室标定一个广角车载相机，20 张图拍完，重投影误差 0.08px，高兴得以为完美了。结果装车路测，车道线检测偏差 30cm。回头一看，20 张图全是站在相机正前方 1 米处拍的，标定板从来没出现在画面边缘。补拍四角和边缘 10 张后重标，路测偏差降到 3cm。教训：重投影误差低不代表标定好，只代表在当前数据上拟合得好。

8.2 手持标定板拍摄

网上很多教程示范手持标定板拍摄，这在双目标定场景下很麻烦。手持意味着：

• 运动模糊（即使你感觉手很稳）

• 卷帘快门畸变（消费级相机尤其严重）

• 双目之间时间同步失效（微秒级偏差就够造成大误差）

正确做法：用三脚架固定相机，标定板也固定在稳定表面上。如果要移动标定板，每次移动后等待稳定再拍摄。如果用工业相机，务必使用硬件触发同步。

真实案例：一个项目用 USB 双目相机 + 手持标定板做标定，标定完重投影误差 0.15px，看着还行。但实际测距 2 米外的物体，误差高达 8cm。排查发现：USB 相机是卷帘快门的，手持标定板时微小的抖动导致每行像素曝光时间不同，产生了肉眼不可见的畸变。换成三脚架固定 + 硬件触发同步后，测距误差降到 1.5cm。

8.3 光照不当

人眼能适应大幅度的光照变化，但相机不行。标定板在图像中需要足够的对比度，同时又不能反光。常见问题：

• 自然光下阴影不均匀，角点检测在暗处丢失

• 室内灯光造成镜面反射，棋盘格亮区过曝

• 标定板和背景对比度不够

正确做法：使用均匀的漫射光源（阴天室外、柔光箱），避免阳光直射。用rqt_image_view或 OpenCV 实时检查图像，确保黑白格子边界清晰锐利，没有过曝或欠曝。

真实案例：一次户外标定在下午 3 点进行，太阳斜射导致标定板半边过曝、半边正常。角点检测在过曝区域丢失了 40% 的角点，但findChessboardCorners没有报错——它静默返回了 False（OpenCV 的行为：棋盘格检测失败时不抛异常，直接返回空结果）。标定程序没有任何警告，因为没检测到棋盘格的图片被跳过了，导致实际上只有 8 张有效图片参与标定，精度可想而知。换到阴凉处重拍，角点检测率达到 100%。

8.4 畸变参数开太多

OpenCV 支持 k1、k2、k3、p1、p2、s1、s2、s3、s4 等多个畸变参数。有人觉得参数越多越精确，全部打开。结果就是过拟合——重投影误差低得离谱，但实际畸变校正效果很差，尤其画面边缘。

正确做法：相机模型越简单越好。一般场景用 k1、k2、p1、p2 就够了。k3 对大多数镜头影响极小，额外的 s 参数（薄棱镜畸变）只在极端情况下才需要。用独立测试图像验证校正效果，不要只看重投影误差。

真实案例：OpenCV 论坛上有个经典案例：一个用户用 rational model（8 参数畸变模型）标定，重投影误差 0.05px，但校正后的图像边缘出现了奇怪的"波纹"——直线在校正后反而变形了。原因是标定数据没有覆盖画面边缘，rational model 在边缘区域做了不可靠的外推。换回 5 参数模型（k1,k2,p1,p2,k3），校正效果反而正常了。

8.5 忽略温度漂移和外参变化

标定做完就万事大吉？不存在的。传感器在 -20°C 到 +60°C 的环境下工作，温度变化会导致物理形变，安装角度偏移。特斯拉 FSD 测试中，因传感器标定偏差导致 23% 的紧急制动场景失效。某自动驾驶测试车辆在雨雪天气中，IMU 与摄像头标定误差累计导致车道偏离判定失败。

正确做法：

• 建立标定参数版本管理机制

• 定期在实车/实机上做全链路标定验证

• 引入在线标定机制，利用道路特征点（车道线交点）持续优化外参

• 标定精度要求：摄像头 ±0.1°，激光雷达 ±0.2°，毫米波雷达 ±0.5°

真实案例：冬天在室外标定的双目相机参数，夏天拿到户外用，测距精度从 2cm 飘到了 8cm。查了一圈发现：环境温度从 -5°C 升到 40°C，相机镜头的焦距产生了约 0.4% 的偏移，双目基线的铝合金支架也发生了热胀冷缩。后来加了在线标定模块，每周用自然场景中的消失点自动修正一次外参，测距精度才稳定在 2cm 以内。实测数据：环境温度每变化 10°C，工业相机焦距可能偏移 0.3%~0.5%，基线距离变化会直接等比例传递到深度误差。

8.6 标定板质量问题

打印在普通 A4 纸上、贴在不平整的泡沫板上——这种"标定板"精度根本达不到要求。标定板的平面度和格子尺寸精度会直接传递到标定结果中。

正确做法：使用高精度、刚性材质的标定板（玻璃基底、陶瓷基底、铝板）。标定板格子尺寸精度应在微米级。如果预算有限，至少用高质量打印 + 贴在玻璃或铝板上。

真实案例：一个团队用 A4 纸打印棋盘格、贴在泡沫板上标定，标定完测距精度一直稳不住，不同批次标定结果差异很大。后来发现泡沫板在不同湿度下会轻微弯曲，弯曲量只有 0.5mm，但足以导致角点的世界坐标出现偏差。换成 200 块的玻璃基底标定板后，标定结果的可重复性明显提升，不同批次的标定参数差异从 5% 降到了 0.5% 以内。

8.7 标定翻车了怎么排查？一套排查流程

标定结果不理想的时候，不能瞎猜。下面这套排查流程，按优先级从高到低排列，大多数标定问题都能定位到。

排查口诀：一看角点准不准，二看姿态全不全，三剔误差最大图，四查畸变合不合理，五验直线直不直。

各步骤要点：

第一步：逐张检查角点检测图像。把每张标定图片上检测到的角点画出来（cv2.drawChessboardCorners()），肉眼检查角点是否准确定位在黑白格子的交叉点上。如果角点偏了半个像素以上，这整张图的数据就是污染的。常见原因：光照不均、运动模糊、标定板反光、图像分辨率太低。处理方法：加cv2.CALIB_CB_ADAPTIVE_THRESH标志位提升低光照下的检测率，或者直接剔除这张图。

第二步：检查标定板姿态分布。把每张图对应的外参（rvec）画出来，看标定板在相机坐标系中的姿态分布。如果所有姿态集中在 ±10 度以内，说明标定板根本没倾斜过，焦距约束不足。理想情况下，标定板应该在 X、Y、Z 三个方向的旋转角度上都有分布。

第三步：剔除误差最大的图片。每张图都有独立的重投影误差，把误差最大的 20% 图片剔除后重新标定，看总误差是否显著下降。如果剔除几张图后误差从 0.5px 降到 0.2px，说明那几张图有问题（角点检测不准或姿态太极端）。

第四步：检查畸变系数是否合理。一个经验法则：k1 的正常范围在 -0.5 到 0.5 之间。如果 k1 的绝对值超过 1，甚至超过 10，说明数据有问题——要么角点检测错了，要么棋盘格尺寸填错了，要么标定板姿态全是正面。正常镜头不会产生这么大的畸变系数。

第五步：用独立验证集验证。不要用标定数据集验证标定结果——这是循环论证。用一组没参与标定的图片，做畸变校正后检查直线是否真的直了。如果校正后直线还是弯的，说明模型过拟合，需要减少畸变参数或增加标定板姿态覆盖。

本节要点：标定翻车时，按顺序排查——角点检测 → 姿态覆盖 → 剔除坏图 → 畸变系数 → 直线验证。绝大多数问题在第一步（角点）或第二步（姿态）就能定位到。

九、车载/机器人场景中的标定实践

9.1 车载相机标定的典型流程

9.2 机器人相机标定的典型流程

机械臂视觉（Eye-in-hand）：相机装在机械臂末端

• 手眼标定（Eye-to-Hand 或 Eye-in-Hand）

• 标定相机坐标系到机械臂末端坐标系的变换

移动机器人视觉：

• 单目/双目/深度相机外参标定到机器人基座坐标系

• 配合 IMU/里程计做视觉-惯性联合标定

• 在线自标定补偿震动和碰撞导致的外参漂移

9.3 手眼标定（机器人专属）

机器人领域多了一个特殊问题：相机和机械臂的关系。分两种情况：

• 眼在手外（Eye-to-Hand）：相机固定在工作台上，标定相机坐标系到机器人基座坐标系的关系

• 眼在手上（Eye-in-Hand）：相机装在机械臂末端，标定相机坐标系到末端执行器坐标系的关系

数学上就是：求解 AX = XB 方程。其中 A 是机械臂末端的运动（从位置 i 到位置 j），B 是相机观测到的标定板运动，X 是待求的相机到机械臂末端（或基座）的变换矩阵。常用算法：Tsai-Lenz 法（两步法，先解旋转再解平移）、Park 法（基于李代数）、Daniilidis 法（对偶四元数同时求解旋转和平移）。

实际怎么选：

手眼标定容易踩的坑：

1. 机械臂运动范围不够大：如果机械臂只在 10° 范围内摆动，AX=XB 的旋转分量约束不足，标定结果不稳定。至少要在 3 个正交方向上做大幅度的旋转和平移。

2. 标定板位姿退化：如果标定板始终平行于相机成像平面，PnP 解算的深度分量不稳定。标定板要多角度倾斜。

3. 机械臂运动学误差传递：机械臂自己的运动学精度如果差了 2mm，手眼标定不会好于 2mm。柔性关节机械臂（如使用谐波减速机的）需要考虑关节柔性误差，通常需要做局部区域标定而非全空间标定。

9.4 AVM 环视系统标定实战

车载环视（AVM，Around View Monitor）是量产车上相机标定最典型的应用。下面以典型的 4 路鱼眼相机 AVM 系统为例，拆解产线标定流程。

系统配置：

• 4 个鱼眼相机（前、后、左、右），分辨率 1280×720

• 车身停在标定间中央，地面铺设棋盘格标定图案

• 每个相机下方有 6×9 的棋盘格，每格 100-150mm

• 标定间尺寸：约 6000mm × 6000mm

核心算法：

1. 外参初值计算：对每个相机，利用检测到的棋盘格角点（世界坐标已知）和对应图像坐标，通过 DLT（直接线性变换）+ SVD 分解计算单应性矩阵 H。然后从 H 中分解出旋转矩阵和平移向量——H = [r1, r2, t]，其中 r1、r2 是旋转矩阵的前两列，通过三角函数求解欧拉角（pitch/yaw/roll）。

2. 多相机联合 LM 优化：这是关键。不是每个相机单独优化，而是把所有相机的参数（每个相机 6 个外参：3 个欧拉角 + 3 个平移）放在一个优化问题中，同时最小化所有相机的重投影误差。这样能利用相邻相机重叠区域角点的一致性作为额外约束，避免各相机"各自为政"。

3. 分级优化策略：通常支持三种优化级别：

• 只优化外参（6 参数/相机）——产线默认模式

• 外参 + 光心位置（8 参数/相机）——镜头安装偏差较大时

• 外参 + 光心 + FOV（10 参数/相机）——需要微调内参时

4. 鱼眼模型支持：AVM 系统通常同时支持针孔模型和 Ocam 鱼眼模型。Ocam 模型用多项式近似从入射角 θ 到像高 ρ 的映射，不需要传统的畸变参数，特别适合超过 180° 视场角的鱼眼镜头。

5. 产线验收标准：每个相机的重投影误差须低于阈值（通常为 1-2 像素级别），且所有相机都达标才算标定合格。不合格会触发重新采图流程。

和实验室标定的区别：

为什么 AVM 标定不重标内参：鱼眼相机内参高度非线性，在产线上用有限的标定板精确标定内参不现实。相机厂商在出厂时已完成精密内参标定（高精度转台 + 平行光管），产线只需根据标定间的地面棋盘格优化外参。除非相机受到剧烈撞击或温度大幅变化，否则内参基本不变，只优化外参就够了。

环视标定的一些共识：张正友标定法仍是环视系统的基础标定手段；3D 碗状投影比 2D 平面投影效果好（边缘不变形、远景不失真）；GPU 加速（OpenGL 渲染）是实现 30fps 实时拼接的关键；基于场景特征的在线修正方案可以降低对激光雷达的依赖。

本节要点：AVM 产线标定和实验室标定是两码事——产线要求 30 秒内完成、操作工执行、多相机联合优化，内参通常由厂家提供。手眼标定的核心是AX=XB 方程，机械臂运动学误差会直接传递到标定结果。

十、总结

相机标定是机器人和自动驾驶感知的基石，直接影响后面所有算法的精度。