企业官网建设流程全解析

SensorsCalibration 实战指南：如何从工厂到在线跑通自动驾驶多传感器标定

【免费下载链接】SensorsCalibrationOpenCalib: A Multi-sensor Calibration Toolbox for Autonomous Driving项目地址: https://gitcode.com/gh_mirrors/se/SensorsCalibration

做自动驾驶多传感器融合，最先翻车的往往是标定：LiDAR、相机、IMU、雷达各有各的坐标系，外参（坐标系之间的刚体变换）偏个几度，后面的融合、定位全乱。SensorsCalibration（OpenCalib）是一个面向自动驾驶的多传感器标定工具箱，覆盖相机内参标定、传感器两两外参标定到在线标定的完整链路，官方 Docker 镜像拉下来就能跑。

标定的痛点：每个传感器都有自己的坐标系

先说清楚我们在标定什么。每个传感器都附带一个局部坐标系，标定的目标是求出传感器坐标系到车身坐标系的 4×4 齐次变换——3 个旋转角加 3 个平移，一共 6 个自由度。数学本身不难，难在落地：传感器之间的特征匹配天然带噪声，优化又容易卡进局部最优，最后还得靠人眼判断"到底对齐没有"。

这也是为什么好用的标定工具普遍采用两条腿走路：先手动粗调拿到初值，再让算法自动精修。

SensorsCalibration 里都有些什么

仓库按标定对象分模块组织，一个文件夹对应一类标定，各模块的 README 里都有独立的使用文档：

• camera_intrinsic：相机内参标定（基于标靶，全自动）
• imu_heading：IMU 航向角标定（无标靶，自动）
• lidar2imu、lidar2camera、lidar2lidar：三维感知组合，均提供手动 + 自动两套工具
• radar2camera、radar2lidar：毫米波雷达组合的手动标定
• surround-camera：环视相机外参标定（针孔/鱼眼，无标靶与有标靶两种）
• factory_calib：工厂标定板检测与标定
• online_calib与SensorX2car：车辆行驶中的在线标定、在线车体标定

支持的主要组合一览：

官方文档：README.md（顶层 README 里有全部模块的索引表）。

值得关注的地方：无标靶道路场景自动标定 + 交互式手动标定

不少开源工具做到"标定板标定"就停了，真实道路场景要自己另搭。SensorsCalibration 的侧重恰好在这个空档：

• 自动标定无标靶：以 LiDAR-相机为例，它从图像和点云里提取车道线、灯杆这类直线特征，内部用"粗粒度随机搜索 + 局部精细搜索"两级策略求解外参，目标是让图像直线与点云投影精确重合；
• 手动标定可交互：左侧 GUI 按钮、右侧点云投影预览，支持键盘微调（q/w/e 调角度，r/t/y 调平移），点 Save 即导出外参和内参 JSON；
• 工厂标定剥离了 OpenCV：棋盘格、圆阵、竖板、AprilTag、ArUco、圆孔板（LiDAR 可用）六种标定板识别全部自研，产线环境部署省心。

⚠️ 注意：自动标定的结果对初值非常敏感，初值偏几十度基本会收敛到错误位置。推荐流程是先用手动工具把初值调到投影大致对齐，再跑自动优化。

快速上手：拉 Docker 镜像、编译、运行

项目提供官方 Docker 镜像，OpenCV、PCL、Eigen、Ceres 等依赖都装好了。宿主机有 NVIDIA GPU 时，run_docker.sh会顺带把 GPU 和 X11 显示挂进来，手动标定窗口能正常弹出来：

git clone https://gitcode.com/gh_mirrors/se/SensorsCalibration cd SensorsCalibration && sudo ./run_docker.sh

容器内代码根目录挂载在/share，进到对应模块目录编译即可：

cd /share/lidar2camera/manual_calib && mkdir -p build && cd build cmake .. && make ./bin/run_lidar2camera data/0.png data/0.pcd \ data/center_camera-intrinsic.json \ data/top_center_lidar-to-center_camera-extrinsic.json

四个参数依次是图像、PCD 点云、内参 JSON、外参初值 JSON。弹窗后微调、保存，手动标定就完成了一半。

拿到手动初值后跑自动标定。这里要注意：自动标定吃的"图像"是用预训练分割模型提取出的特征掩码图，不是原图——绿色点即点云特征在图像上的投影：

cd /share/lidar2camera/auto_calib ./bin/run_lidar2camera data/mask.jpg data/calib.pcd \ data/center_camera-intrinsic.json \ data/top_center_lidar-to-center_camera-extrinsic.json

核心源码：lidar2camera/auto_calib/，官方文档：lidar2camera/README.md。

效果验证与三个常见坑

结果对不对，看投影。下图中白色是图像提取的直线，绿色是 LiDAR 特征，两者贴合就说明标定到位。camera2car 模块还会输出角度误差的评估曲线（AUC 71.3%、MSE 0.000357），可以直接拿来当验收参考。

三个常见的坑，基本都出在数据而不是代码：

1. 时间同步是第一大坑：LiDAR-IMU 在线标定时，点云和 GNSS/IMU 位姿的时间戳没对齐，参数怎么调轨迹都歪。先查数据的时间同步，再怀疑算法；
2. 采集有讲究：LiDAR-IMU 自动标定官方要求地面足够平、周边特征丰富（墙体、车道线、灯杆）、车速保持 10km/h、绕圈三圈、尽量避开动态目标。官方轨迹参考如下：

3. 别指望自动标定从空初值收敛。它是"精修"算法不是"估计"算法，初值必须来自手动工具或工厂值。💡 提示：手动窗口里切到 Intensity Color 显示模式，对比地面车道线的强度分布，对齐判断会更准。

要点速记

• 环境麻烦？直接用官方镜像scllovewkf/opencalib:v1，run_docker.sh一行起容器，手动标定 GUI 开箱可用；
• 仓库按标定对象分模块，查顶层 README.md 的索引表，按需进对应目录，不必全读；
• 推荐"手动出初值 → 自动精修"两段式，自动标定无标靶、直接跑道路场景；
• 工厂场景看factory_calib，六种标定板识别代码与 OpenCV 解耦；
• 在线标定看online_calib（LiDAR-IMU、相机-IMU、雷达-车体）与SensorX2car。

【免费下载链接】SensorsCalibrationOpenCalib: A Multi-sensor Calibration Toolbox for Autonomous Driving项目地址: https://gitcode.com/gh_mirrors/se/SensorsCalibration