企业官网建设流程全解析

做多传感器融合的项目，尤其是VIO、LIO这类涉及视觉惯导和激光惯导的系统，第一关永远不是算法选型，而是数据质量。而数据质量的头号前提，就是IMU标定。我见过太多人拿一个没标过的IMU直接跑优化，结果前端初始化疯狂漂移，还以为是算法写错了。其实问题往往出在传感器本身就带着一堆出厂误差。

IMU标定按我的习惯，会分成两条线：一条是内参标定，把加速度计、陀螺仪自身的零偏、尺度因子、安装误差尽量洗干净；另一条是外参标定，也叫联合标定，把IMU与相机、激光雷达之间的相对位姿关系搞准。这两种标定方式解决的问题完全不同，缺一不可。这篇文章就把这两类标定的原理、实操流程和经验教训一次性讲透，适合刚入门SLAM和多传感器融合的开发者，也适合被标定问题反复折腾的老工程师用来对照排查。

1. 两种标定方式的本质区别：先搞清楚你到底要标什么

1.1 IMU误差模型：零偏、尺度因子、安装误差与非正交

IMU本质上是一个测量加速度和角速度的传感器。加速度计测比力，陀螺仪测角速度——这是它的物理基础。但真正输出出来的数字，跟真实物理量之间存在系统误差。常见的误差源可以分成三类：零偏，尺度因子，以及安装误差。

零偏好比一把尺子的刻度起点没对齐。IMU静止的时候，加速度计理论上应该读到1g的重力，陀螺仪理论上应该读0，但由于电路偏置、温度漂移，实际静置时读数会有一个固定偏移。尺度因子则是刻度粗细不一致：真实输入1g，它读出1.003g，这个比例偏差就是尺度因子。安装误差更复杂，它通常来自三轴加速度计或三轴陀螺仪本身的轴并非严格正交，也可能来自传感器贴装到电路板时芯片的微小歪斜。

如果只是做滤波、做状态估计，零偏影响最大，因为一次积分误差就会随时间累积；尺度因子和安装误差虽然影响相对隐蔽，但在高动态运动和长时积分下同样会显著放大误差。这也是为什么完全依赖出厂参数跑SLAM，经常出现不可复现的漂移，同一个设备换个温度环境，表现就判若两机。

1.2 内参标定与外参标定的分界

这两种标定方式，分界线就是坐标系不同。

内参标定工作在IMU自身的坐标系里，目标是让加速度计和陀螺仪的输出尽量逼近真实物理量。标定完，你手里的IMU输出才算“可信”。外参标定则完全不同：IMU自身的输出已经准确了，但IMU和相机、激光雷达之间还隔着一个刚体变换。比如车载套件里相机装在挡风玻璃后，IMU装在车辆中轴附近，它们之间有一个固定的旋转和平移关系。这个关系如果错了，多传感器融合里所有残差项的坐标系就对不上，优化必崩。

用个生活化的类比：内参标定是让一把尺子本身的刻度精准；外参标定是搞清楚这把尺子相对于桌子的位置关系，确保你量出来的结果能换算到桌子坐标。它们分别解决“明明量错了”和“量对了但不知道是相对于哪个参照物”这两种问题。

这个区别在实际项目中非常关键。很多人把Kalibr、lidar-imu标定挂在嘴边，以为跑个现成工具就是“IMU标定”，结果根本不清楚自己到底在标内参还是外参，一旦结果不对就无从下手排查。

2. 方式一：IMU内参标定，让加速度计和陀螺仪“各自归位”

2.1 多位置静态法的原理与数学本质

内参标定最常见的思路是多位置静态法。它的物理基础很简单：重力是一个已知大小和方向的参考量。IMU静止放置时，加速度计理论上读到的就是重力加速度向量，陀螺仪理论上读到的就是0。利用这个基准，把IMU摆放成不同姿态，就能构造出一组约束方程，求解误差模型里的各个参数。

误差模型通常可以写成这样：

a_meas = S * R * a_true + b + n

其中a_meas是加速度计的实际测量输出，a_true是真实加速度，S是尺度因子矩阵，R包含安装误差引起的旋转（非正交），b是零偏，n是随机噪声。摆放N个不同姿态，每个静止姿态下加速度计的模长必须等于重力加速度大小，把所有姿态的约束叠加起来，就可以用最小二乘把S、R、b一起估计出来。

陀螺仪的零偏标定相对简单：静态放置足够长时间，输出均值就是零偏。但陀螺仪的尺度因子和安装误差没法靠重力来标，因为静止时陀螺的输入角速度是0，根本没有激励。所以陀螺仪的完整标定往往需要转台提供已知角速度，或者借助相机视觉求出的角速度作为参考。

2.2 六面法与转台法的实操对比

我在实际中使用最多的内参标定手段有两种：手摆六面法和转台法。

手摆六面法，就是把IMU按六个方向依次静止放置：X轴朝上、X轴朝下、Y轴朝上、Y轴朝下、Z轴朝上、Z轴朝下。每个方向采30秒到1分钟的静态数据。这个方法的门槛极低，不需要额外硬件，一张水平桌面就行，适合快速估计零偏，也适合在户外现场给VIO系统做一个基础校准。它的缺点是对尺度因子的约束不够充分，因为每个轴只经历了正负1g两种输入，能覆盖的工作区间有限。

转台法则是利用精密转台提供已知角速度，同时激励加速度计和陀螺仪的动态误差。转台旋转时，陀螺仪输入角速度是精确已知的参考值，这样尺度因子和安装误差的约束就非常充分。有条件的话，转台法标出的内参精度会显著高于手摆法，适合量产级传感器出厂标定。

从经验来讲，做科研或者原型验证，手摆六面法已经够用；做量产或者追求高精度，转台法几乎是必需品。这里有一个非常关键的细节：无论用哪种方法，标定过程中IMU必须被固定牢固，不能有轻微晃动，否则加速度数据会混入振动噪声，对拟合结果产生明显干扰。

2.3 内参标定实操中的数据采集细节

很多人觉得标定就是把IMU摆几个姿态，然后交给工具去算。实际上数据采集阶段决定了结果的上下限，具体来说有几个要点。

第一，要保证IMU在采样前充分供电稳定。不少IMU上电初期零偏漂移很大，需要预热几分钟才能进入稳定状态。我一般会先让设备通电静置5分钟，再开始采数据。第二，每个位置静态采集时间不能太短。加速度计的随机噪声虽然不大，但采集时间太短会让均值估计很不稳定，30秒是一个比较合适的下限。第三，摆放姿态要尽量覆盖三维空间。除了官方推荐的正交方向，我会追加几个斜45度方向，增加约束，让尺度因子和安装误差解得更稳定。

下表是我常用的一种六面法采集方案，供参考：

这套流程下来，总共也就五六分钟，却能把内参拟合得比较稳。实际采集时注意桌面不要有软垫，最好用硬质平台，防止微小形变带来的误差。

2.4 Allan方差与噪声特性分析

内参标定除了零偏、尺度因子、安装误差，还有一个经常被忽略的环节：噪声特性分析，最常用的工具是Allan方差法。让IMU长时间静止放置，通常1小时以上，对陀螺仪输出做Allan方差分析，会得到一条双对数曲线。曲线上不同斜率的段分别对应量化噪声、角度随机游走、零偏不稳定性、速率随机游走等指标。

读这条曲线的规律大致是：斜率约-1的段对应量化噪声，斜率约-1/2的段对应角度随机游走，曲线底部平坦段对应零偏不稳定性，斜率约+1/2的段对应速率随机游走，斜率约+1的段对应速率斜坡。很多VIO系统在配置噪声参数时直接照抄数据手册，而实际项目里参数跟手册标称差很大是常态。所以建议大家养成长时间采集一组静止数据、做一次Allan方差分析的习惯，把噪声协方差直接写进系统模型。

我在工程上常用的做法是：对静态数据做Allan方差分析，提取角度随机游走和零偏不稳定性的数值，再换算到离散状态方程里的噪声协方差。这一步换来的收益非常直接，滤波器对噪声参数的敏感度立马下降，调参时间能省一大截。

2.5 内参标定结果怎么验证

标完内参不是结束，验证才是关键。我的习惯是三步走。

第一步，重采一段静态数据。如果标定结果正确，加速度计三轴输出的模长应该非常接近重力加速度g，且波动很小；陀螺仪输出均值接近零。如果加速度计模长偏得离谱，多半是尺度因子或零偏没收敛。第二步，做一次短时积分测试。把IMU随手拿起来运动几十秒，用标定后的数据做姿态积分，看看最终姿态角有没有明显漂移。零偏没标干净的话，角度会随时间线性漂移。第三步，放进实际系统里跑一下。在VIO系统里，如果内参准了，初始化的收敛速度和前端残差会明显变好。这些都可以量化，不是玄学。

3. 方式二：IMU外参标定：搞清IMU与相机和雷达之间的那个R和T

3.1 手眼标定与AX=XB

外参标定里最核心的数学模型就是手眼标定，核心公式是AX = XB。这里X是待求的外参矩阵，包含旋转和平移。A是IMU在两个时刻之间的运动变换，B是相机或激光雷达在同一时间段内的运动变换。因为IMU和相机刚性连接，所以满足A*X = X*B这个约束，多组运动约束联立起来就能解出X。

手眼标定原本来自机器人领域，解决的是“相机装在机械臂末端，怎么求相机和末端之间关系”的问题，所以叫“眼在手上”。后来被推广到多传感器融合，变成了“眼在手外”的标定场景。无论是相机-IMU联合标定，还是LiDAR-IMU标定，本质上都在解同一个方程。

理论听起来简单，实际上要解好AX=XB并不容易。因为A和B都来自传感器估计，带着噪声和误差。运动幅度太小、旋转轴单一，都会造成方程组条件数过大，结果极其不稳定。这也是为什么外参标定前一定要充分激励传感器，让运动轨迹足够丰富，才能保证姿态估计的几何约束足够强。

3.2 相机-IMU联合标定：Kalibr的完整流程

相机-IMU联合标定最常用的开源工具是Kalibr。这套工具出自苏黎世理工的机器人系统实验室，支持标定相机内参、IMU内参以及相机和IMU之间的外参。整个流程可以归纳为三步：准备、录制、求解。

准备阶段的核心是标定板。Kalibr官方推荐使用Aprilgrid棋盘格，它有编码信息，角点能自动编号，即使部分遮挡也能检测。标定板要打印平整、贴在硬质板子上，不能折叠或卷曲，否则检测到的角点位置有偏差，直接拉低标定精度。我见过太多人用A4纸打印标定板，还卷边，结果重投影误差怎么都降不下来。

录制阶段，需要把相机和IMU固定在同一刚性结构上，手持或者装在支架上，在一个纹理丰富、光照稳定的环境里做充分的六自由度运动。录制时的激励要求是“三轴充分旋转，同时保持平滑加速”，一般建议运动1到2分钟。太剧烈的抖动会造成图像模糊，太平滑的旋转又会让旋转约束不够，这两种都是最典型的失败原因。录制完成后，用kalibr_calibrate_imu_camera加载相机标定参数、IMU自带参数和bag文件，工具会依次完成角点检测、时间戳同步、非线性优化，最终输出相机-IMU外参以及IMU内参。

看到结果文件不要直接跑路，要认真读results文件里的残差和重投影误差。如果优化收敛但残差很大，通常说明初始值给得不好，或者激励不充分。重跑之前，先检查录制数据质量，而不是一味调参数。

3.3 录制标定数据时的运动激励设计

这一点我想单独拿出来说，因为很多人在这里吃亏。所谓“充分激励”，不是拿在手里乱晃，而是要保证绕各自轴的旋转和平移都有足够丰富的变化。我常用的运动模板是数字“8”字形运动，配合几个方向上的翻转，确保三轴角速度都有明显峰值交叉出现。

一个特别容易犯的错误是只做二维平面内的运动。比如有人手持传感器在水平面画圈，这样相机和IMU主要只绕竖直轴旋转，外参里的俯仰和横滚约束几乎没有，工具即使能跑通，结果也接近随机。我录数据前会在心里做个检查：有没有绕X、Y、Z三个轴都转了？有没有上下左右平移？加速度计是否经历了几组不同的朝向？如果这些答案都是肯定的，再开始正式录制。

3.4 LiDAR-IMU标定的思路与工具

LiDAR-IMU联合标定的思路和相机-IMU类似，但因激光数据形式不同，约束构造也有区别。比较常见的做法是利用点云帧间配准求出的相对位姿作为B，同时用IMU积分求出的相对位姿作为A，再进入手眼标定框架求解外参。如果环境里有地面或平面，也可以用点到面的距离约束来辅助标定平移分量。

开源工具方面，lidar-imu-cali是比较成熟的一套，流程基本也是“录数据、跑优化、看结果”。需要特别注意，LiDAR-IMU标定对场景要求很高：场景不能太单调，否则点云配准会退化；也不能有大量动态物体，否则配准出来的相对位姿带着动态噪声，标定结果被严重污染。实际操作时，我会优先选一个有缓坡、柱子、墙角的室内场地，把雷达架高一点，保证前后左右都有足够几何特征。

3.5 时间戳同步是外参标定的隐形杀手

外参标定最容易忽视、也最致命的问题是时间戳同步。手眼标定公式里，A和B必须是同一时间段内传感器各自测得的运动。如果IMU和相机的时间戳有偏差，哪怕只是几十毫秒，只要运动稍快，A和B的对应关系就错位了，标出来的外参肯定偏得离谱。

因此，录制标定数据之前，务必确认各传感器的时间戳是基于同一时钟源同步的。在ROS环境下，我建议先跑一遍话题时间同步检测，看看时间戳差值的分布是否稳定。很多标定工具内置了时间偏移估计，比如Kalibr会输出timeoffset参数，但它只能做微小修正，不能掩盖硬件上的大时间戳错乱。这个坑我踩过很多次，每次都是标定结果诡异，排查到最后才发现是时间戳没对齐。

4. 实操中最容易踩的坑与排查技巧

4.1 激励不充分：绝大多数标定失败的元凶

不管是Kalibr还是其他标定工具，官方文档都会反复强调运动激励，但大家就是容易忽视。我见过有人拿着IMU和相机在桌上平放着录了两分钟视频，期望能标出外参——这基本不可能。因为所有轴都要有充分旋转，传感器要在六个自由度上“都动起来”。

一个有效的检查方法是：录制完成后画一下IMU的角速度曲线，看是不是每个轴都有明显的峰谷和方向变化。如果某个轴几乎是平的，那就算标定过程不报错，结果也是不可信的。下面是我常用的检查逻辑，可以套用：

4.2 数据长度与静止段的取舍

有些工具要求数据中包含初始静止段，用来估计零偏、建立初始状态。所以录制时提前让IMU静止3到5秒再开始运动，别一开机就动，也别录完就立刻关机。另外，数据太长不见得是好事，超过5分钟的数据会让优化时间成倍增加，却不一定带来精度提升。我一般把有效运动数据控制在90秒到3分钟之间，足够覆盖充分运动，又能保证求解速度。

很多时候，标定失败不是算法问题，而是录制习惯问题。养成“先静后动、三段式录制”的习惯之后，成功率会提高很多。

4.3 标定结果的四个快速验证法

拿到标定结果后，教大家四个快速验证手段。

第一，看残差和重投影误差，正常收敛时残差应该在一个可接受的范围内，如果出现数量级异常，基本可以断定标定数据有问题。第二，用标定的外参把IMU轨迹投影到图像序列上，观察投影轨迹是否与视觉特征点运动一致。如果轨迹和图像内容有交错或者明显偏离，说明外参旋转部分出了问题。第三，在一个闭环系统里做一次短时融合，看初始化是否快速收敛。第四，把同一组数据重复标定两次，对比结果的一致性。如果两次外参旋转差异超过零点几度，说明数据质量不够稳定，建议重新录制。

这四个方法各有侧重：残差看收敛、投影看几何、融合看整体、重复看稳定性。项目汇报或者写文档的时候，把这四组数据都附上，也能让结果更有说服力。

4.4 标定现场容易忽略的硬件问题

标定问题很多时候出在硬件本身。固定不当是最常见的：相机和IMU之间只要有一点点松动，外参就会随时间漂移，标定时时而好时而坏。很多人把传感器用双面胶临时粘在一起做标定，一次性实验也许没事，但只要中间有过碰撞或震动，位置就会变化，必须重新标定。

另一个容易忽略的是供电。IMU对供电电压很敏感，电池电量和稳压模块状态不同，零偏都会不一样。如果标定完的零偏值和之前差很多，先检查供电而不是怀疑算法。温度也一样，冷启动和热机状态下测出的零偏可能完全不同，量产测试时需要做温度补偿。

4.5 内参与外参标定的先后顺序

最后再说一个比较容易被新手忽略的流程问题：内参标定永远先于外参标定。这一点我踩过两次坑之后就再也没跳过顺序。内参不准时，外参标定的激励数据本身就带着系统误差，解出来的外参即使看起来收敛，也会在局部补偿内参误差，掩盖真实问题。

所以标准流程是：先做IMU静态多位置内参标定，再做相机内参标定（张正友法或者Kalibr的相机标定模块都可以），最后才做相机-IMU联合外参标定。如果项目中还涉及LiDAR，同理，雷达自身的位姿估计质量也要先确认，再进外参联合优化。

这个顺序本质上是“先尽量把单一传感器洗白，再谈传感器之间的对齐”。

5. 写在最后的经验总结

做标定这件事，大部分时间不是在跑工具，而是在伺候数据。录制环境、光照、标定板状态、时间戳对齐、激励形式，每一项都直接影响最终精度。我现在的习惯是，每次进场做新设备测试，第一件事就是花半小时录制一组标准标定数据，之后所有传感器实验都复用这套数据。这半小时投资换来的，是后面调参时大量减少的返工时间。

最后再分享一个小技巧：标定这事别只做一次。传感器的零偏会随温度和供电电压漂移，外参会因为机械结构的微小松动而变化。我一般会在每次实验前快速标定一次零偏，每隔一段时间重新做一次完整的外参标定，并且把历次标定结果记录成表格。你会发现，设备状态的变化都藏在标定结果的时间序列里，这比任何额外状态监测都直观得多。把标定当成一个持续的过程，而不是一次性的仪式，多传感器融合的稳定性才能真正立得住。