相机与激光雷达联合标定：如何选择高辨识度的参照物

在自动驾驶、机器人与三维感知领域，相机与激光雷达是两种互补的核心传感器。联合标定的目标是获取两者之间的精确坐标变换关系，使来自不同传感器的数据能在同一坐标系下对齐，从而完成深度融合与感知任务。

一、背景

在实际项目中，我们曾尝试多种标定方法，但效果均不理想：

1. 初始尝试：使用 Apollo 框架自带的相机外参标定工具，结果不稳定，难以满足精度要求。
2. 二次尝试：采用 SensorsCalibration 中的 lidar2camera 标定模块，但需要手动调节大量参数，调试过程繁琐且易出错。
3. 手动选点法：作为补充，我们在图像和点云中手动选取若干对应特征点，通过数学计算直接求解变换矩阵。这种方法简单直接，但选点的准确性直接决定了标定精度。

于是问题来了：什么样的物体适合作为手动标定的参照点？

我们先后尝试了以下材料：

• 梳妆镜（镜面反射）：效果最差，几乎无法在点云中形成稳定特征，但零成本。
• 采购的漫反射板：效果有所提升，但仍不够理想，且增加了采购成本。
• 车牌与带反光条纹的交通锥：意外发现它们在点云中极为显眼，特征稳定且易于选取，成为理想参照物。

这一发现促使我们进一步研究：为什么不同材料在激光雷达点云中的表现差异如此之大？

二、结论

经过对不同材料反射特性的分析与实测对比，建议：

选用由回归反射材料制成的安全标识作为标定参照物，例如黄黑警示胶带、红白相间的交通锥条纹、反光车牌等。

这类材料在点云中会形成异常明亮、稳定且易提取的点簇，极大提升了选点的准确性与标定的鲁棒性。

三、材料反射特性对比

激光雷达通过发射激光脉冲并接收其回波来测距和绘制点云。物体表面的反射特性直接决定了回波信号的强弱，从而影响其在点云中的“可见度”。

1. 梳妆镜（镜面反射）—— 效果极差

• 原理：镜面表面极其光滑，反射遵循“入射角等于反射角”的定律。反射光能量集中，方向性强。
• 结果：只有当激光束近乎垂直入射时，反射光才能原路返回被雷达接收。入射角度稍大，反射光就会完全“跑偏”，雷达接收不到信号。
• 点云表现：在绝大多数角度下，镜面在点云中呈现为一片空洞或只有零星、微弱的点，特征极不稳定，完全不适合作为标定参照物。

2. 白色墙面（漫反射）—— 效果一般

• 原理：表面微观结构粗糙，入射光会被向半球空间的所有方向散射，能量分布均匀。
• 结果：无论激光从何角度射来，总有一部分散射光能返回雷达。回波强度随入射角增大而减弱，但不会归零。
• 点云表现：能形成一片强度中等、连续且稳定的点云表面。虽然可用，但特征不够“突出”，在复杂场景中不易精确选取特定点。

3. 反光车牌/交通锥条纹（回归反射）—— 效果极佳

• 原理：表面覆有特殊的微棱镜结构或高折射率玻璃微珠。这种结构能将入射光在内部进行多次反射，最终精准地沿原入射方向平行反射回去。
• 结果：在一个很大的入射角范围内（通常可达±40°以上），绝大部分光能都能被“导回”雷达接收器，能量返回效率远超漫反射材料。
• 点云表现：在点云中呈现为一小簇强度值极高的亮点，像“灯塔”一样明显区别于周围环境。特征极其稳定、鲁棒，易于自动或手动精确提取，是标定的理想选择。

为了更直观地理解上述过程，可以参考下面的激光反射原理流程图：

四、实践操作建议

理解了原理后，在实际的相机-激光雷达联合标定中，你可以遵循以下步骤：

1. 制作标定物：购买或自制带有回归反射材料的标定板或标志物。例如，在硬纸板上粘贴红白相间的反光胶带，形成清晰的角点或图案。
2. 布置场景：在相机和激光雷达的共同视野内，将标定物置于多个不同的位置和角度。确保标定物在图像和点云中均清晰可见。
3. 数据采集：同步采集包含标定物的相机图像和激光雷达点云数据。
4. 特征点选取：
   • 在图像中：选取标定物上易于识别的角点或图案中心。
   • 在点云中：轻松找到对应区域那簇最亮的点，选取其中心或特征角点。
5. 计算变换矩阵：利用多组匹配好的图像-点云特征点对，通过求解 PnP 或 SVD 等算法，计算出从激光雷达坐标系到相机坐标系的旋转和平移矩阵（外参）。

核心优势：使用回归反射材料，能让你在点云中快速、精准、无歧义地找到与图像对应的点，从而大幅提升标定流程的效率和最终结果的精度。

总结

相机与激光雷达的联合标定是多传感器融合的基石。选择正确的参照物是迈向高精度标定的关键一步。放弃不稳定的镜面和特征平淡的漫反射面，转向利用回归反射材料的“主动增亮”特性，能让你的标定工作事半功倍。这一小小的材料选择背后，是光学原理与实际工程智慧的巧妙结合。