引言
在自动驾驶和机器人感知系统里，激光雷达（LiDAR）和相机（Camera）是自动驾驶系统中最常见的一对互补传感器：激光雷达提供准确的三维空间和距离信息，相机提供高分辨率的颜色与纹理。两者融合，才能让系统既“看得远、测得准”，又“认得出、分得清”。
但融合的第一步，不是目标检测，也不是特征提取，而是让两个传感器的数据先对上。
实际工程中，激光雷达点云投影到图像上，常出现标定板边缘偏移、障碍物轮廓错位、远处目标点云框与图像框对不齐。看起来像是融合算法出了问题，但往根上追，很多时候是激光雷达和相机之间的6自由度外参不准。
外参决定了激光雷达坐标系下的一个点，能不能被正确变换到相机坐标系，再通过相机内参投影到图像上的正确位置。可以说，外参是 L-C 融合的第一颗纽扣：这颗纽扣扣错了，后面的检测、识别、定位、跟踪都会跟着歪。
本文就围绕三个问题展开：L-C 外参标定到底在求什么？真正难在哪？康谋的方案如何从联合标定板一路走到重卡实测验证？
一、外参标定到底在求什么？
要理解L-C外参标定，先要回答两个问题：它求的是什么？求准了有什么用？
前者，是一个 6 自由度的刚体变换矩阵，用来描述激光雷达和相机之间的空间相对位置和朝向；后者，则关系到多传感器融合感知中目标检测与识别、环境感知、定位与导航等多个环节。
1、一个矩阵：激光雷达到相机的坐标变换
L-C外参标定的结果是一个 6 自由度的刚体变换矩阵，记作
其中R是3×3的旋转矩阵，t是3×1的平移向量，下标C←L表示”把 LiDAR 坐标系下的点变换到相机坐标系”。标定的目标就是求出这个 TC←L。
用大白话说就是：R管“朝向”，t管“位置”。求准了它，激光雷达点云才能正确投影到图像上；给像素赋真实深度，也才有可靠依据。
2、两层意义：融合感知的隐形地基
外参标定的意义，不只是“把点云投到图上好看”，它直接关系到融合感知的上限：
- ● 提高目标检测与识别精度：把点云的三维空间信息映射到图像中，为目标检测、识别、定位和跟踪提供更丰富的信息。
- ● 增强环境感知能力：发挥激光雷达测距精度高、相机纹理丰富的互补优势，提升对复杂环境中障碍物、道路边界及其他目标的感知能力。
- ● 保障定位与导航可靠性：为自动驾驶、机器人导航和智能测绘提供准确的多传感器空间关联，减少坐标转换误差带来的定位偏差。
反过来，外参不准会带来一串“失败症状”：点云投到图像边缘偏移、远处目标框漂、融合特征错位、标定残差偏大，严重时定位导航也会被坐标转换误差拖累。后端算法再强，很多时候也只是在“补锅”。
3、核心思路：让两个传感器看同一个已知物体
L-C 外参标定的核心思路并不复杂：让两个传感器同时观察同一个已知物体，从各自观测中解算该物体在各自坐标系下的位置，再用这两组位置关系反推传感器之间的变换。
最常见的方式，是使用一块特制的联合标定板，上面同时布置两种传感器各自擅长识别的特征：
- ● 相机侧：标定板正面贴 ArUco 标记，相机识别后解算标定板相对于相机的三维位姿；
- ● LiDAR 侧：标定板开有精确加工的圆孔，LiDAR 点云检测孔边缘，拟合出孔心在 LiDAR 系下的三维坐标。
一次观测的几何关系如图所示：
在多个位姿下重复采集，就能构造大量约束方程，再用鲁棒的刚体配准算法求出最优的 $$T_{C \leftarrow L$$。
二、真正难在哪：联合、检测与对应
从上面的思路看，标定似乎很直接：相机看板、激光雷达看孔、联立求解。但工程落地时，真正容易卡住的，往往不是公式，而是特征怎么联合、孔位怎么对应、结果怎么验证。
1、联合标定板：统一观测目标
康谋方案使用的联合标定板，是一块约 1.4 m × 1.0 m 的矩形铝板，表面平整，上面同时布置了两类特征：
- ● 相机特征：板的四个角落各贴一块 ArUco 标记。ArUco 带有内置纠错码，即使部分遮挡或光照不均也能可靠识别；多块标记的好处是，只要能看到至少一块就能解算板位姿，多块同时可见还能互相校验。
- ● 激光雷达特征：板的中部开有 4 个精确加工的圆孔，孔心呈矩形分布。圆孔边界清晰、形状参数可精确拟合，是激光雷达点云检测的理想特征，孔心三维坐标可以通过对孔边缘点做圆拟合高精度提取。
两类特征在同一块板上，保证了相机和激光雷达观察的是同一个物理物体。这是后续建立约束的前提。
2、双侧检测：位姿与孔心
数据采集完成后，对每组位姿同时在相机和激光雷达两侧做特征检测：
- ● 相机侧：图像中检测 ArUco 标记，结合已知标记尺寸和相机内参，解算标定板相对于相机的三维位姿。
- ● 激光雷达侧：先根据粗略的名义外参，反推标定板在激光雷达系中的大致位置，裁剪出感兴趣区域 ROI，再在裁剪后的点云中拟合标定板平面，最终检测并拟合出 4 个圆孔的孔心 3D 坐标。
两组检测都成功的位姿，才会进入后续阶段。这一步看似常规，但它把“相机看到的板”和“激光雷达看到的孔”变成了可以放在一起计算的两组观测。
3、孔位对应：建立唯一映射
激光雷达检测到4个孔心，但并没有“谁是谁”的语义。如果直接按空间排序，不同视角下极易排错，导致解出的外参在不同角度产生明显矛盾。
为了解决这个问题，康谋方案采用了跨位姿一致性匹配，利用多视角联合信息找出正确对应关系。这一步不显眼，却是把“能检测”变成“能解对”的关键。
三、康谋方案：五步闭环与实测验证
将前面的理论难点串联落地，康谋 L-C 联合标定方案可以概括为一个五步闭环。
这套方案打通了从联合特征提取到结果验证的完整流程，并在重卡实车场景中完成了测试。
1、康谋的五步闭环
（1）第一步：联合标定板。
ArUco 给相机看，圆孔给激光雷达看，两类特征在同一块铝板上，保证两个传感器观察同一个物理物体。
（2）第二步：多姿态数据采集。
标定需要多组位姿数据。每组位姿对应标定板在车辆前方的一个不同位置和朝向——近、中、远不同距离，正对、左偏、右偏、俯仰等不同角度。采集 10~20 组这样的位姿就足够求解。每组位姿同时保存相机图像和激光雷达点云。
（3）第三步：双侧特征检测。
相机侧检测 ArUco，解算标定板相对相机的三维位姿；激光雷达侧基于粗略名义外参裁剪 ROI，拟合标定板平面并提取 4 个圆孔的孔心 3D 坐标。两组检测都成功的位姿才进入后续阶段。
（4）第四步：跨位姿孔位对应 + 刚体配准。
先通过跨位姿一致性匹配确定 4 个孔心的对应关系。有了对应关系后，每组位姿都能贡献 4 对 3D 点对应（激光雷达孔心 ↔ 板坐标系已知孔心）。把所有有效位姿的点对汇总起来，就构成一个多视角 3D–3D 刚体配准问题。求解器采用标准刚体配准算法，求出最优旋转矩阵和平移向量，使变换后的点与目标点平均距离最小。
（5）第五步：投影验证。
求解出的 $$T_{C \leftarrow L$$ 不能直接使用，必须经过投影验证才能判定为合格：把 LiDAR 点云用解出的变换矩阵转换到相机坐标系，再通过相机内参投影到图像平面。如果投影后的 LiDAR 孔心位置和相机图像中实际看到的位置重合得足够好，说明标定质量达标；如果偏差较大，则说明求解可能失败，需要检查数据质量或增加采集位姿。
全部验证通过后，附带每组位姿的残差统计和投影验证图——后者直观地展示了激光雷达点云投影到图像上的效果，是工程师快速判断标定结果好坏的最直接手段。
2、重卡实测验证
方案是否有效，最终要看实测。
采用康谋L-C联合标定方案，对重型卡车搭载的激光雷达与相机进行联合标定，求解两者之间的外参，包括旋转矩阵 R 和平移向量 T。
在此基础上，利用标定得到的外参将激光雷达采集的三维点云投影至相机图像，实现点云与图像的空间对齐与融合。
实测结果如下图所示，点云与图像中的标定板特征点能够实现较好的对应，验证了该方案在实际场景中的有效性。
从五步闭环到重卡实测，这套方案的重点不只是“能解出一个矩阵”，而是把标定做成了可采集、可检测、可对应、可求解、可验证的完整流程。
四、总结
L-C 外参标定，看起来只是求一个 6 自由度矩阵，实际考验的是整条工程链路。
康谋方案把标定做成了可采集、可检测、可验证的闭环。从 ArUco + 圆孔的联合标定板，到 10~20 组多姿态数据，再到双侧检测、刚体配准和投影验证，最后在重卡场景完成实测，形成了一条可落地的 L-C 联合标定路径。
