## 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。

![](https://developer.qcloudimg.com/http-save/yehe-12879052/99af4e0c27fa622f6e7328f2bcc4fe48.png)

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。

### 一个矩阵：激光雷达到相机的坐标变换

![](https://developer.qcloudimg.com/http-save/yehe-12879052/c211cb4b0dda80c9d36ec4bdc4ab2ab8.png)

![](https://developer.qcloudimg.com/http-save/yehe-12879052/1f7486d7d229bf6b54270e17058fd12a.png)
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。

### 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”。

### 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：

![](https://developer.qcloudimg.com/http-save/yehe-12879052/4e9ecc54a50fb10ea4f411b5405dd897.png)

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![](https://developer.qcloudimg.com/http-save/yehe-12879052/f5312d71c9587e89dd5fd7000f3fe19a.png)

## 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**​。

### 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。

![](https://developer.qcloudimg.com/http-save/yehe-12879052/656ebd7f98c65e25f828c3e791419eba.png)

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。

### 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。

### 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**​。

### 康谋的五步闭环

![](https://developer.qcloudimg.com/http-save/yehe-12879052/6205c85a160ecb2f2386350bc6e7de6e.png)

#### 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。

#### 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。

#### 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。

#### 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。

#### 第五步：投影验证。

![](https://developer.qcloudimg.com/http-save/yehe-12879052/f5312d71c9587e89dd5fd7000f3fe19a.png)

求解出不能直接使用，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。

### 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。

![](https://developer.qcloudimg.com/http-save/yehe-12879052/9a296e0f975726911c2ef3ca8ad0f699.png)

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。

下周「康小谋的智驾踩坑笔记」将详细和大家说说我们在标定上踩的坑。L-C 标定里有一个非常容易被低估的问题，我们下周专门出一期详细说，敬请期待！


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”。

康谋分享 |一文吃透激光雷达-相机联合标定：从几何原理到重卡实测闭环

外参不准，算法白搭！康谋带您详解 L-C 联合标定五步闭环，解决点云图像对不齐、孔位匹配易错等难题，附重卡实车验证效果。

人工智能

算法

硬件

激光雷达与相机外参标定是融合感知系统的核心基础，6自由度变换矩阵精度直接决定点云投影与目标识别效果。康谋方案采用ArUco标记与圆孔联合标定板，通过双侧特征检测、跨位姿孔位对应及刚体配准五步闭环，在重卡实测中验证点云图像对齐效果，提供可落地的外参标定解决方案。

自动驾驶

腾讯云双十一大促

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

康谋分享 |一文吃透激光雷达-相机联合标定：从几何原理到重卡实测闭环-腾讯云开发者社区-腾讯云

康谋分享 |一文吃透激光雷达-相机联合标定：从几何原理到重卡实测闭环

康谋分享 |一文吃透激光雷达-相机联合标定：从几何原理到重卡实测闭环

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐