智能驾驶系统主要通过多个传感器来实现对真实世界的感知。而传感器的标定也决定了感知能力上限：传感器数据的坐标（图像、点云等）与真实世界物体的坐标存在对应的转换关系，对于坐标转换模型公式中的传感器参数调整，就是标定。
传感器标定主要分为内参标定和外参标定。
内参标定的目的是获取传感器的内部参数，如相机的畸变系数、焦距大小等，以确保传感器的数据输出得到有效的校正。在大部分智能驾驶量产项目中，传感器的内参都会由传感器供应商提供。
外参标定需要确定传感器到车体，以及传感器间的相对位置姿态的关系，保障融合多源传感器数据时建立统一的观测坐标系。
而本期，我们将介绍绝影团队在量产项目中多传感器的外参标定方案。
常见的量产项目的标定方案主要分为以下三种：
-
产线标定：通过标定车间内的标志物完成传感器的标定，也是量产车型「出厂设置」一部分。
-
售后标定：由 4S 店、车辆售后维修中心完成，多是由于车辆事故、问题排查，导致传感器重新安装，需要重新完成传感器的标定。
-
在线标定：由用户使用智能驾驶功能过程中完成，根据车机提示或者无感触发完成对应的车辆标定，这三种标定方法从场景、执行人员等来看，会有以下差异：
产线标定：如何高效低成本解决产线标定痛点？
产线标定即车辆在量产过程中按序进入标定间，摆正器将车辆摆正，得到现场标靶相对于车辆的位置关系，然后传感器通过对周围标靶的识别，从而解算出传感器外参。
它是车辆下线的一个重要环节，往往车企对于产线标定通过率、稳定性以及标定精度都有比较高的要求。如在一些量产项目合作中的标定要求需要达到：单一产线每小时过线 15 台车，通过率要求 98% 以上，标定误差在 0.3 度以内的标准挑战。
在实际执行过程中，产线的精度、稳定性以及通过率往往会遇到以下挑战：
-
生产环境变动：设备老化、标靶松动及机械结构移动不到位等生产环境变动，都会对标定精度和通过率产生一定影响，使产线阻塞、影响生产效率。
-
偶发下线车辆标定误差的排查难度大：若因单一车型标定不达标而将产线停产进行排查，将耗费成本巨大。而不及时排查又存在潜在风险。
针对生产环境变动问题，我们提出产线标定自动化验证机制，通过对小批量产线标定车辆外参的验证，间接实现对产线生产环境的定期检查。
针对偶发下线标定误差问题，我们搭建产线仿真平台：通过在仿真器对相关问题复现验证，及时提供解决方案。离线模拟能够模拟标定板位置偏差、光照影响、内参问题等情况，来复现生产环境中出现的标定问题。
产线标定仿真器
在产线设计过程中，产线仿真平台也起到了至关重要的作用。量产项目中往往先进行产线设计，再完成产线施工搭建，在设计阶段如何有效进行产线方案验证是一个难点。仿真器验证对标定板尺寸大小、位姿布置有指导意义，同时可以提高算法开发效率。
售后标定：通用外参标定解决方案，更简单也更精准
售后标定在 4S 店或维修中心完成，多为车辆发生事故或进行问题排查，其传感器安装位置发生变化，需要重新进行传感器的标定。
售后标定往往需要满足以下要求：
-
标定场景及外置设备简单；
-
标定精度能够与产线一致；
-
标定操作简单、可行性高；
-
通用化能力强，能够适配对不同传感器配置的需求。
作为算法平台方案解决供应商，往往需要面对不同的传感器配置需求，例如：传感器数量差异、传感器位置布置差异、传感器类型差异等，因此标定算法需要具备较高通用化能力。
不同于基于标靶的方案，我们充分利用开放道路的树木、建筑物等环境特征，以标定不同传感器外参，对标定场景和外置设备要求更简单。
同时，我们还采用了联合优化方法：通过传感器之间的特征匹配，重建三维场景，针对外参、位姿结果等进行联合优化，以获取传感器间的外参以及传感器与车体之间的关系。这种方法增加了传感器之间的共视约束，以更简单的流程，实现产线标定的精度。
除此以外，绝影算法框架能够兼容任意传感器组合的配置进行外参标定。比如在 L2+ 场景下，侧前和侧后相机往往共视区域小，我们能够利用车辆运动获取不同时刻的传感器间共视关系，以构建小共视区域内的传感器间约束。
在标定操作上，我们的算法对运动形式要求简单，车辆能够通过直线运动等完成标定。在标定完成后，标定模块会根据缓存的数据进行参数自动验证，减少人工验证的工作：
-
相机传感器的外参验证：采用基于车道线的验证方法。在完成相机外参后，方案实现不同相机间的车道线投影和数据关联，计算出车道线的距离和角度误差，以评估外参标定的合格性。
-
LiDAR 传感器的外参验证：我们开发了基于杆状物的自动化验证算法。在当前外参下，通过验证不同 LiDAR 关联的杆状物的距离，以验证不同 LiDAR 之间的外参精度。
在线标定：常态标定方式，保障用户体验
在线标定依据用户体验进行区分，分为用户无感和用户有感两种形式：
-
用户有感：其核心算法与售后标定相似，但将标定权限开放给用户。用户能够通过大屏或某些特定运动行为触发流程，按照提示完成标定。
-
用户无感：在后台检测标定结果是否存在异常、后台无感标定和更新。后台无感标定时，根据标定参考系选择的不同可以分为静态标定和动态标定。
静态标定参数的参考系是车体，由于传感器与车体在一定时间周期或行驶里程内是固定刚性连接的，该外参为定值，标定内容则是传感器的位置和角度，涵盖 6 个自由度，主要修正由于安装支架老化、传感器松动等原因导致的传感器稳态的外参变化量。
而动态标定参数的参考系是地面，当车辆运动时，受到颠簸、加减速的影响，传感器和地面之间的相对位置关系会不断变化，影响最大的是俯仰角，因此动态标定主要针对俯仰角这一个维度，每帧提供一个标定结果。
用户无感的在线标定中，对标定结果的自动化检测是第一个环节：我们能够根据多传感器多帧的感知结果是否存在差异进行判断，如果结果存在稳态误差导致的异常，就会触发后台无感的静态标定。
当不同的传感器感知数据可用时，算法将进行数据关联和外参计算，并判断传感器的外参是否满足要求。根据判断结果，决定是否继续进行传感器标定。
基于这种自动化检测机制，在传感器标定精度足够的情况下能够避免冗余标定，减少不必要的标定触发和资源开销。
同时，标定结果的自动化检测将直接利用感知目标检测结果，无需处理图像和点云，因此自动化检测的资源占用极低。
如果标定存在异常，后台会触发无感的静态标定，为了保证标定的高效性以及最大化利用每次标定的结果，我们做了两部分处理：首先，建立一个缓存机制，如断电前传感器标定未成功，系统将缓存对应的中间结果，下次上电后再加载对应结果以继续标定。其次，与售后不同，实现后台实时运行在线标定，需要更轻量化的算法。
我们一方面拉长算法运行流程，减慢运算速度，频繁释放计算资源，减少 CPU 的使用率。另一个方面将标定任务拆解成单个、两个传感器轮流完成标定，减轻数据通信负载，降低计算量。
比如在相机和 LiDAR 的标定中，我们并没有采用多传感器联合优化的方案，而是配置了更轻量的标定算法：利用相机和 LiDAR 中共同区域中的边缘特征进行标定。
为了应对车辆运动时由于颠簸、加减速影响传感器到地面相对位置关系的问题，我们开发了一套后台无感的动态标定方案：在标定模块运行的时候，我们对投影到地面的车道线进行曲率约束，实时动态估计对地面的 pitch 角。
如下视频中所示，左侧的 BEV 投影由于颠簸和车辆加减速的影响导致明显的畸变，而右侧通过对俯仰角的实时估计，能够较好补偿 BEV 投影的畸变。
地面pitch角在线修正
标定评测方式
对标定结果的评估也是量产标定的关键。
以 L2+ 场景为例，下游模块对前视传感器标定的精度要求在 0.3 度以内，对其他传感器的精度要求在 0.5 度内，而目前绝影的量产标定结果都能够达到以上精度水平。我们通过定性和定量两方面对标定结果进行精度评估：
-
定量评估：包括仿真对比误差、重复性误差和横向对比误差。
仿真对比误差是在仿真环境中标定结果与仿真环境中设计值的差异，我们会构建对应的产线、真实物理世界场景，对比标定结果和仿真器设计值的差异值。
重复性误差是使用不同数据多次进行同种标定，形成多组标定结果，通过统计结果来看标定针对不同场景的稳定性。横向对比误差则是指不同标定方式，包括产线、售后、在线的标定结果差值对比。
-
定性评估：人工通过可视化进行评判，不同传感器有不同的评估方法：
多相机之间通过拼接 BEV 图，以车道线路沿是否错位重影反映出相机之间的外参误差。相机和 LiDAR 之间，将激光点投影到图像上，对比边缘是否重合来确定标定误差。多 LiDAR 之间则是用拼接后的地图重影进行定性判断。
未来，绝影团队也会在标定模块持续探索，不断提高场景泛化能力、标定轻量化水平和通用化能力：
在场景泛化能力上，我们会根据常见的难例场景，比如特征缺失、眩光等问题，进一步迭代算法提升鲁棒性，同时也会尝试与学习方法的结合，以处理各种 corner case。
在轻量化方面，实现更加轻量的输入源及算法。同时，我们会设计一套更加通用的模块框架，可以通过简单配置更改适配不同项目，以提高标定模块的通用化能力。
标定作为智驾「基建」之一，决定了感知的准确性和可靠性——测距能力、障碍物识别、长尾场景感知等也依赖于此。我们相信，持续探索、创新标定模块工作，将不断提高智驾感知能力，推动智能驾驶向更高阶演进。
标签：误差,外参,量产,标定,产线,算法,传感器 From： https://blog.csdn.net/Evelynnzhao/article/details/137287831