聯(lián)合標定的核心邏輯是：通過共同觀測的標定靶標，獲取多組3D（LiDAR）-2D（相機）對應特征點，利用這些匹配點求解外參，再通過優(yōu)化減小投影誤差。整個過程圍繞“特征匹配-參數(shù)求解-誤差優(yōu)化”展開，自動駕駛場景常用的標定方法分為靶標式標定（離線高精度）和無靶標標定（在線自適應）兩類。

靶標式標定：量產車主流方案（棋盤格/AprilTag/3D靶標）

靶標式標定是目前自動駕駛量產、實驗室標定的首選方案，精度高、穩(wěn)定性強，依賴高精度標定靶標提供精準的3D-2D對應點。

標定靶標選擇

棋盤格靶標：成本低、角點易提取，相機可精準檢測內角點，LiDAR可識別平面與角點，適合離線靜態(tài)標定，是常用的靶標類型。

AprilTag靶標：自帶編碼ID，可實現(xiàn)多靶標同時匹配，抗遮擋、抗干擾能力強，適合復雜場景與多傳感器協(xié)同標定。

3D立體靶標：精度較高，適合高階自動駕駛與激光雷達密集點云場景，成本相對較高。

標定核心流程（原理層面）

同步觀測：LiDAR與相機同時拍攝標定靶標，保證時間戳嚴格對齊，避免運動模糊導致特征偏移。

特征提?。涸谙鄼C圖像中提取靶標角點/編碼點（2D像素坐標），在LiDAR點云中提取對應靶標的三維角點（3D空間坐標）。

初始外參求解：利用多組3D-2D匹配點，通過幾何約束計算初始旋轉和平移參數(shù)，得到粗略外參。

非線性優(yōu)化：以“重投影誤差”為優(yōu)化目標，迭代調整外參，讓LiDAR點云投影到圖像后的位置，與實際觀測的像素點偏差較小。

精度校驗：驗證投影誤差是否滿足閾值要求，不合格則重新采集數(shù)據(jù)或優(yōu)化參數(shù)。

無靶標標定：自適應在線方案

無靶標標定無需專門標定物，利用環(huán)境中自然特征（如路面邊緣、建筑棱角、路燈桿）實現(xiàn)3D-2D匹配，適合車輛行駛過程中的在線標定、外參自適應修正（解決車輛顛簸、溫度變化導致的外參漂移）。

其原理是通過特征匹配算法，自動尋找圖像與點云中的同名特征（如角點、邊緣、平面），構建約束關系求解外參；結合深度學習算法還可實現(xiàn)端到端標定，提升復雜路況下的魯棒性，但精度略低于靶標式標定，通常與靶標標定配合使用。

核心評價指標：重投影誤差

標定精度的核心衡量標準是重投影誤差：將LiDAR點云通過標定好的外參和相機內參，投影到圖像上得到預測像素點，與實際圖像中觀測到的像素點的偏差。

自動駕駛場景對誤差要求嚴苛：平均重投影誤差需控制在1像素以內，誤差不超過1.5像素，否則會導致障礙物定位偏移、融合感知失效，嚴重影響行車安全。