1. 多传感器标定为什么绕不开从一次建图跑偏说起去年秋天帮一个做园区巡检机器人的团队排查问题现象很典型机器人直线走个七八米点云地图就开始重影走廊两侧的墙面在rviz里叠成两层越走越糊。团队第一反应是激光雷达坏了换了一台新的问题照旧。后来把bag包拉出来逐帧看才发现是雷达和IMU之间的外参对不上——IMU报的俯仰角和点云地面的实际倾角差了将近2度。2度听起来不大但激光打到30米外的墙面上位置偏差就是30×tan(2°)≈1.05米地图不糊才怪。这就是3D雷达与IMU标定存在的意义。它要解决的核心问题只有一个把激光雷达坐标系和IMU坐标系之间的旋转、平移关系也就是外参算准让两个传感器的数据能在同一个参考系下说话。这件事在浙大LI Calib这套开源方案里被做得相当工程化它不需要标定板、不需要特定场景拿着一段包含充分运动的数据包就能跑出结果对做nav2导航、里程计和IMU融合定位、LIO建图的人来说属于迟早要用一次的工具。这篇文章适合三类人看一是刚拿到雷达和IMU、准备搭SLAM系统的新手二是标定结果不稳定、反复重标却找不到原因的调试者三是想把标定环节纳入自动化流程的工程团队。我会把LI Calib的完整流程拆开讲包括数据采集的坑、参数配置的逻辑、结果验证的方法以及我自己踩过的几个比较隐蔽的问题。文中涉及的具体参数和操作步骤一部分来自官方文档一部分是我在实际项目里验证过的经验补充会明确区分开。2. LI Calib到底在算什么原理拆解与方案选型逻辑2.1 标定的本质是求解一个刚体变换雷达和IMU通常刚性固定在同一个支架上两者之间的相对位姿是一个固定的刚体变换可以用旋转矩阵R和平移向量t表示共6个自由度。标定的目标就是把这6个量求出来。传统做法是让雷达去观测一个已知几何形状的标定物比如V形板、球形靶标通过特征匹配反推外参。这种方法精度高但限制也明显需要专门布置场地标定物必须同时被雷达清晰扫描到而且标定结果只在标定时的位姿附近有效一旦传感器松动就得重来。LI Calib走的是另一条路——基于运动的手眼标定。它的思路是让整个传感器组合做一段充分激励的运动各个轴都转到雷达通过点云配准算出自己的运动轨迹IMU通过积分算出自己的运动轨迹两条轨迹之间的固定变换就是我们要的外参。这个思路的好处是零场地要求一段数据包就能干活代价是对运动质量有要求运动太单调或者太快都会影响精度。2.2 为什么选LI Calib而不是其他方案市面上做雷达-IMU标定的方案不算少我大致对比过几类方案类型代表做法优点局限标定物法靶标特征匹配精度高、可复现需场地、需靶标、效率低运动法LI Calib轨迹对齐零场地、自动化程度高依赖运动质量联合优化法标定与建图同时优化端到端实现复杂、调参困难手动测量法卷尺角度尺快精度差只能做初值LI Calib的定位很清楚它是运动法里工程完成度比较高的一套提供了完整的数据预处理、时间对齐、外参求解和结果评估链路。对于大多数做室内机器人、园区巡检、仓储AGV的团队来说它的精度完全够用——实测在良好数据下旋转误差能压到0.1度以内平移误差在厘米级。注意LI Calib求出的平移量在雷达-IMU这种小基线场景下可观测性本来就弱。如果你的应用对平移精度要求极高比如要做高精度点云拼接建议把平移量用卷尺量个初值只让算法优化旋转这样结果更稳。2.3 时间同步比外参更容易被忽略的坑很多人把注意力全放在外参上结果标定怎么都不收敛最后发现是雷达和IMU的时间戳没对齐。雷达和IMU是两个独立的时钟源如果时间戳偏差超过几十毫秒运动轨迹就对不上外参自然算不准。LI Calib内部有做时间偏移的估计但这个估计有范围限制。我的经验是采集数据前先确认两件事——IMU的发布频率是否稳定抖动大的IMU会让时间估计失效以及雷达点云的时间戳是取帧头还是帧尾。这两个细节不确认后面全是白工。3. 数据采集标定成败的八成在这里3.1 硬件连接与话题确认开始之前先把数据链路理清楚。典型的配置是3D雷达通过网口或USB接入主机IMU通过串口或USB接入两者都通过ROS驱动发布话题。你需要确认的话题一般有三个雷达点云话题常见命名如/velodyne_points、/livox/lidar、/rslidar_pointsIMU话题常见命名如/imu/data、/livox/imu如果雷达和IMU有硬件同步还要确认同步触发话题用rostopic hz分别看一下两个话题的实际频率。雷达一般10HzIMU一般100Hz到200Hz。如果IMU频率忽高忽低先解决驱动问题再谈标定。3.2 运动激励怎么做才有效这是整个流程里最需要经验的部分。LI Calib需要数据里包含足够的旋转激励尤其是绕不同轴的旋转。我总结了一套三段式采集动作实测下来收敛效果比较稳缓慢平移段手持或车载沿直线缓慢移动10到15秒速度控制在0.3m/s以内。这段主要给平移量提供约束。多轴旋转段依次做绕Z轴偏航、绕Y轴俯仰、绕X轴横滚的旋转每个轴来回转3到5次角速度控制在30到60度每秒。注意不要只绕一个轴转三个轴都要激励到否则对应轴的旋转量不可观测。复合运动段做几个8字或者螺旋形运动让多个轴同时被激励持续20秒左右。整个采集过程建议控制在60到90秒。太短激励不足太长会累积IMU漂移反而拖累精度。实操心得采集时尽量让传感器远离地面和墙面太近的位置。点云里如果全是近距离平面配准会退化雷达自己算出来的运动轨迹就不准后面全盘皆输。理想场景是周围有丰富的结构特征比如有柱子、有家具、有不同深度的物体。3.3 数据包录制与检查用rosbag record把上述话题录下来。录完先做一次快速检查rosbag info your_bag.bag重点看三件事时长是否够建议60秒以上、两个话题的消息数是否合理、有没有丢帧。如果IMU消息数明显偏少说明录制期间有丢包这段数据最好重录。另外建议单独录一段静止数据传感器完全不动录10秒。这段数据有两个用途一是检查IMU的静态噪声水平二是作为标定结果验证的基准——静止时雷达点云应该稳定如果标定后点云还在抖说明外参有问题。4. 完整标定流程从配置到出结果4.1 环境准备与依赖安装LI Calib基于ROS建议在Ubuntu 18.04或20.04上跑ROS版本对应Melodic或Noetic。依赖里比较关键的是Ceres Solver和Eigen这两个版本不匹配是编译失败的头号原因。# 以Noetic为例 sudo apt-get install ros-noetic-ceres-solver ros-noetic-eigen-conversions创建工作空间把LI Calib的源码放进去编译。编译时如果报Ceres相关的链接错误八成是系统里装了多个版本的Ceres用ldconfig -p | grep ceres查一下把多余的路径从环境变量里清掉。4.2 配置文件逐项解读LI Calib的核心配置集中在一个yaml文件里几个关键项我逐个说明# 数据源配置 lidar_topic: /velodyne_points imu_topic: /imu/data # 时间偏移搜索范围秒 time_offset_padding: 0.1 # 外参初值旋转用四元数平移用米 init_rot: [1, 0, 0, 0] init_trans: [0, 0, 0] # 优化参数 max_iteration: 50time_offset_padding这个参数值得多说一句。它定义了算法搜索时间偏移的范围默认0.1秒意味着算法会在正负0.1秒内找最佳对齐。如果你的雷达和IMU时间戳偏差可能更大比如用了不同的时间源要适当放大这个值但放太大会增加计算量且容易收敛到错误解。我的经验是先用0.1跑一遍看估计出的时间偏移是否贴着边界如果贴着边界就说明范围不够需要放大。init_rot和init_trans是外参初值。如果雷达和IMU是近似同向安装的用单位四元数[1,0,0,0]和零平移就行。如果安装角度明显比如IMU转了90度最好先给个粗略初值否则优化可能陷入局部最优。4.3 运行标定与结果解读配置好之后启动标定节点把bag包播放进去rosbag play your_bag.bag --clock标定节点会实时输出优化过程。跑完后会生成一个结果文件里面包含估计出的旋转、平移和时间偏移。解读结果时重点看三个指标旋转的模长四元数的模应该接近1如果偏离明显说明优化有问题残差优化结束时的残差应该收敛到一个较小的稳定值如果还在下降说明迭代次数不够时间偏移估计出的时间偏移应该在合理范围内如果是个很大的值说明数据本身有问题4.4 结果验证别只看数字要看点云标定结果好不好光看输出的数字不够必须做可视化验证。LI Calib提供了结果评估工具可以把标定后的点云按IMU姿态做去畸变和拼接。验证方法是拿一段包含旋转运动的数据用标定出的外参把点云变换到IMU坐标系下然后看拼接后的点云是否清晰。如果标定准确旋转运动下的点云拼接应该几乎没有重影如果外参有偏差点云会出现明显的拖尾或分层。这个验证比看残差数字直观得多也是我判断标定是否可用的最终标准。5. 常见问题排查那些让我熬夜的坑5.1 标定不收敛的几种典型原因标定跑不出结果原因通常集中在几个地方。我整理了一张速查表现象可能原因排查方法残差一直不降时间戳未对齐检查两话题时间基准是否一致结果每次都不一样运动激励不足增加多轴旋转段旋转量明显异常初值给错检查init_rot方向平移量发散基线可观测性差固定平移只优化旋转编译报错Ceres版本冲突清理多余Ceres路径5.2 时间戳问题的隐蔽表现时间戳问题最坑的地方在于它不一定表现为完全不收敛有时候会表现为收敛了但结果不对。我遇到过一次标定出来的旋转量看着正常但点云拼接就是有轻微重影。后来把时间偏移单独拎出来看发现估计值是0.08秒接近搜索边界。把time_offset_padding放大到0.2重新跑时间偏移估计到0.15秒点云立刻清晰了。这个坑的教训是时间偏移估计值如果贴着搜索边界一定要放大范围重跑不要以为收敛了就万事大吉。5.3 点云配准退化的识别与规避雷达自己算运动轨迹靠的是点云配准。如果场景里全是平面比如空旷的走廊、大面积的墙配准会在某些自由度上退化算出来的运动轨迹本身就不可靠。识别方法是看配准的协方差矩阵如果某个方向的特征值特别小说明那个方向不可观测。规避方法有两个一是采集数据时选结构丰富的场景二是如果实在只能在退化场景采集就在标定时把退化的自由度固定住只优化可观测的部分。后者需要改一点代码属于进阶操作。5.4 IMU噪声对结果的影响IMU的噪声水平直接影响标定精度。低端IMU的零偏和噪声都比较大积分出来的轨迹漂移快标定结果自然差。如果你的IMU是消费级的建议做两件事一是采集前让IMU充分预热上电静置5分钟二是标定前先做一次IMU的零偏估计把零偏补偿掉再喂给标定算法。提示判断IMU噪声是否可接受可以看静止数据里加速度计和陀螺仪的方差。如果陀螺仪静止方差超过0.01 rad/s标定精度会比较受限考虑换IMU或者接受较大的误差。6. 标定结果怎么用接入导航与建图链路6.1 外参在LIO系统中的位置标定出的外参最终要写进你的LIO或导航系统配置里。以常见的LIO系统为例外参一般配置在参数文件的extrinsic_R和extrinsic_T字段。注意不同系统的外参定义方向可能不同——有的是雷达在IMU坐标系下的位姿有的是IMU在雷达坐标系下的位姿方向搞反了结果会完全错乱。配置前一定看清楚文档里的坐标系定义。6.2 标定后的效果验证把外参写进系统后跑一段实际数据看建图效果。判断标准很直接直线行走时点云地图的墙面应该是单层的转弯时不应该出现明显的错位。如果还有轻微重影可以微调外参的旋转量每次调0.1度左右观察效果变化。6.3 什么时候需要重新标定外参不是标一次就一劳永逸的。以下几种情况需要重新标定传感器受到撞击或拆卸后重新安装、发现建图精度明显下降、更换了其中任何一个传感器。日常使用中建议每隔几个月做一次快速验证——跑一段已知路径看建图是否还准不准就重标。7. 几个让我印象深刻的实操细节最后分享几个文档里不会写、但实际很影响结果的细节。第一个是采集数据时的握持方式。手持采集时手部的微小抖动会被IMU记录下来如果抖动频率和运动频率接近会污染激励信号。我的做法是用一个刚性好的支架把传感器固定住手持支架而不是直接拿传感器抖动会小很多。第二个是bag包的播放速度。标定节点处理数据需要时间如果bag包播放太快节点处理不过来会丢帧。建议用--rate 0.5半速播放给节点留足处理时间。这个细节在数据量大时尤其重要。第三个是结果的可复现性。同一段数据跑两次结果应该基本一致。如果两次结果差异明显说明数据本身有问题或者优化不稳定这时候不要急着用结果先把数据质量查清楚。我一般会跑三次取结果最一致的那次作为最终值。第四个是平移量的处理策略。前面提过平移可观测性弱我的实际做法是如果雷达和IMU的安装位置能用卷尺量出个大概误差1到2厘米就直接把这个值固定只让算法优化旋转。这样出来的旋转精度更高整体效果反而比全放开优化更好。这个策略在多个项目里验证过比较稳。标定这件事工具只是工具真正决定结果的是数据质量和操作细节。LI Calib把算法部分做得足够好剩下的就看你怎么喂数据给它。把采集环节做扎实把验证环节做严格标定结果自然靠谱。