企业官网建设流程全解析

1. 为什么你的SLAM总在“飘”？先搞懂D435i的IMU到底怎么回事

如果你正在用Intel RealSense D435i跑VINS-Fusion、ORB-SLAM3或者自己搭的VIO管线，大概率遇到过这种场景：机器人明明走的是直线，建出来的地图却像喝醉了酒一样歪歪扭扭；机械臂末端定位跑着跑着就偏了几厘米；好不容易闭环了，轨迹却整体旋转了一个角度。很多人第一反应是调参——把imu_rate调高、把acc_n和gyr_n改小、把外参矩阵反复微调，折腾几天下来发现该飘还是飘。

问题很可能不在算法，而在你从来没认真做过IMU标定。

D435i这个相机很有意思，它集成了深度模块、RGB模块和一颗BMI055六轴IMU。很多人买它就是因为“开箱即用”，插上USB就能出深度图和IMU数据，觉得省事。但恰恰是这种“省事”埋了雷：出厂时IMU的零偏、尺度因子、轴间非正交误差以及和深度相机之间的外参，都是按照消费级标准做的粗略校准。对于做演示、跑个demo，这些误差可以忽略；但对于SLAM这种对惯性数据极其敏感的task，出厂参数远远不够。

我见过太多人把D435i直接架上机器人就开始跑VINS-Fusion，结果初始化阶段就各种失败，好不容易初始化成功，走两米就飘得不成样子。然后开始怀疑算法、怀疑代码、怀疑人生，唯独没怀疑过IMU的标定数据。实际上，IMU标定是VIO/SLAM系统里性价比最高的一步——花半小时认真标一次，比调三天参数管用得多。

这篇文章面向的是正在用D435i做SLAM、VIO、机器人定位、机械臂视觉伺服的朋友，不管你是刚入门的学生还是在做产品原型的工程师，只要你的系统里用到了D435i的IMU，这篇内容都值得你花时间看完。我会从IMU标定的基本原理讲起，然后手把手带你用Kalibr完成D435i的IMU标定，包括数据采集、参数配置、结果验证，最后分享一些我踩过的坑和实操技巧。整套流程在Ubuntu 20.04 + ROS Noetic环境下验证过，硬件就是D435i加一个普通的标定板。

2. IMU标定到底在标什么？拆开揉碎讲清楚

2.1 IMU误差模型：你的陀螺仪和加速度计没那么“诚实”

一颗MEMS IMU（D435i用的是Bosch BMI055）在理想情况下，陀螺仪输出的是角速度，加速度计输出的是比力。但现实中，由于制造工艺的限制，IMU的输出和真实值之间隔着一堆误差项。工程上常用的误差模型是这样的：

对于陀螺仪：

ω_measured = T_g * K_g * (ω_true + b_g + n_g)

对于加速度计：

a_measured = T_a * K_a * (a_true + b_a + n_a)

这里面每一项都有具体含义：

• T（轴间非正交矩阵）：理想情况下三轴互相垂直，但实际MEMS加工做不到完美正交，存在微小的轴间耦合。这个矩阵通常接近单位矩阵，但非对角项不为零。
• K（尺度因子矩阵）：理想情况下输入1 rad/s输出也是1 rad/s，但实际存在比例误差，通常在对角线上，量级在千分之几到百分之几。
• b（零偏）：这是最要命的一项。即使IMU静止不动，陀螺仪输出也不是零，加速度计输出也不是纯重力。零偏还分静态零偏和动态零偏，静态零偏可以标定补偿，动态零偏随温度和时间变化，只能靠滤波器在线估计。
• n（噪声）：包括白噪声和随机游走。白噪声影响瞬时精度，随机游走影响长时间积分精度。这两个参数直接决定了VIO滤波器里Q矩阵的取值。

Kalibr做的事情，就是通过采集IMU静止和运动的数据，把T、K、b这几个确定性误差项估计出来，同时给出噪声参数。标定完成后，你用这些参数去补偿原始IMU数据，VIO的输入质量会有一个质的提升。

2.2 为什么D435i的出厂标定不够用

有人会问：Intel出厂不是已经标过了吗？为什么还要自己标？

原因有三。第一，出厂标定是在恒温条件下做的，而且标定设备是产线级别的，但标定参数写入固件后就不再更新。你的使用环境温度可能和产线差十几度，MEMS IMU的零偏对温度非常敏感，温度变化几度，零偏就能漂几个mg。第二，出厂标定主要针对IMU自身的确定性误差，但IMU和深度相机之间的外参（也就是IMU坐标系到相机坐标系的旋转和平移）在出厂时只是根据结构设计给的标称值，实际装配公差会导致外参和标称值有偏差。第三，也是最关键的——出厂标定没有给出噪声参数。VIO滤波器需要知道IMU的噪声密度和随机游走系数来设置Q矩阵，这些参数出厂文档里根本没有，你只能猜。猜错了，滤波器要么过于信任IMU导致漂移，要么过于信任视觉导致响应迟钝。

所以自己标定IMU，不仅是为了补偿零偏和尺度因子，更是为了拿到一组可信的噪声参数和外参，让VIO滤波器工作在正确的状态。

2.3 Kalibr为什么是D435i IMU标定的首选工具

标定IMU的工具不少，有imu_utils、Kalibr、Allan方差工具箱等。我推荐Kalibr的原因很直接：

• 一体化：Kalibr可以同时标定相机内参、相机-IMU外参、IMU内参和噪声参数，一套工具全搞定。
• 支持多种相机模型：D435i的深度相机和RGB相机都可以用Kalibr标定，不用换工具。
• 社区成熟：ROS环境下安装方便，文档齐全，遇到问题容易找到答案。
• 输出格式友好：标定结果直接输出YAML文件，VINS-Fusion和Kalibr自己的格式都能用。

当然Kalibr也有缺点，比如对数据采集要求比较高，标定过程比较耗时。但相比它带来的精度提升，这些投入完全值得。

3. 标定前的准备工作：硬件、软件、环境一个都不能少

3.1 硬件准备：标定板、支架和光线

标定IMU需要两类数据：静止数据和运动数据。静止数据用来估计零偏和噪声，运动数据用来激励各个轴，估计尺度因子和非正交矩阵。所以硬件上你需要：

• D435i相机：确保固件版本不要太老，建议用realsense-viewer检查一下IMU是否正常出数。
• 标定板：Kalibr支持AprilTag、Checkerboard和Circular Grid三种靶标。我推荐用AprilTag，检测更稳定，对光照和部分遮挡更鲁棒。标定IMU时其实不需要标定板，但如果你要同时标定相机-IMU外参，就需要标定板。建议一步到位，相机-IMU外参一起标了。
• 稳固的支架：标定IMU运动数据时，相机需要做充分的激励运动。手持当然可以，但手持的运动会引入额外的振动噪声。有条件的话用三脚架或者机械臂夹持，运动更平滑。
• 光线：如果同时标定相机，光线要均匀，避免标定板反光或阴影。

注意：D435i的IMU和深度相机是刚性连接的，标定相机-IMU外参时，标定板要同时被相机看到，所以标定板的尺寸要足够大，保证在相机视野内清晰可见。

3.2 软件环境搭建：Ubuntu + ROS + Kalibr

我的环境是Ubuntu 20.04 + ROS Noetic，这是目前最稳的组合。Kalibr的安装有两种方式：源码编译和Docker。我强烈推荐用Docker，因为Kalibr的依赖比较多，源码编译容易遇到各种版本冲突。

如果你坚持源码编译，大致步骤如下：

# 安装依赖 sudo apt-get install -y python3-dev python3-pip python3-scipy python3-matplotlib \ ipython python3-wxgtk4.0 python3-tk python3-igraph python3-numpy \ python3-pytest python3-setuptools python3-rosdep python3-rosinstall \ python3-rosinstall-generator python3-wstool build-essential # 创建工作空间 mkdir -p ~/kalibr_ws/src cd ~/kalibr_ws/src git clone https://github.com/ethz-asl/kalibr.git # 编译 cd ~/kalibr_ws catkin_make -DCMAKE_BUILD_TYPE=Release -j4

编译过程大概需要20到30分钟，取决于机器性能。编译完成后记得source一下：

source ~/kalibr_ws/devel/setup.bash

用Docker的话更简单：

docker pull stereolabs/kalibr:kinetic

然后启动容器时把数据目录挂载进去就行。不过Docker里的ROS版本是Kinetic，和Noetic有些差异，如果你后续要用VINS-Fusion，建议还是源码编译。

3.3 检查D435i的IMU数据质量

在正式标定之前，先确认IMU数据是正常的。启动realsense节点：

roslaunch realsense2_camera rs_camera.launch unite_imu_method:=linear_interpolation

这里有个关键参数：unite_imu_method。D435i的IMU实际上是两个独立的传感器——加速度计和陀螺仪，它们的采样频率不同（加速度计250Hz，陀螺仪400Hz），时间戳也不完全对齐。unite_imu_method参数控制如何合并这两路数据：

• none：不合并，分别发布/camera/accel/sample和/camera/gyro/sample
• copy：简单复制时间戳，精度差
• linear_interpolation：线性插值对齐时间戳，推荐用这个

然后查看IMU话题：

rostopic echo /camera/imu

把相机静止放在桌面上，观察linear_acceleration和angular_velocity的数值。正常情况下，加速度计的z轴应该接近9.8 m/s²（取决于相机朝向），陀螺仪三轴应该接近0。如果陀螺仪静止时输出超过0.01 rad/s，说明零偏比较大，更需要认真标定。

实操心得：D435i的IMU在刚上电时零偏不稳定，建议上电后预热5到10分钟再开始采集数据。我实测过，冷启动时陀螺仪零偏能到0.005 rad/s，预热后降到0.001 rad/s以下。

4. 手把手实操：用Kalibr完成D435i IMU标定

4.1 数据采集：静止段和运动段怎么录

Kalibr标定IMU需要两个bag文件：一个静止bag，一个运动bag。静止bag用来估计零偏和噪声，运动bag用来估计尺度因子和非正交矩阵。

静止数据采集：

把D435i放在稳固的平面上，确保不会晃动。然后录制5到10分钟的静止数据：

rosbag record -O imu_static.bag /camera/imu --duration=10m

录制期间不要碰相机，不要开关附近的电器，不要有人在旁边走动。我一般选在晚上安静的时候录，避免振动干扰。

运动数据采集：

运动数据需要充分激励IMU的各个轴。具体来说，要让相机在三个轴向上都有明显的旋转和加速度变化。我的做法是：

1. 手持相机，先绕x轴（横滚）缓慢旋转±90度，来回5次
2. 再绕y轴（俯仰）缓慢旋转±90度，来回5次
3. 再绕z轴（偏航）缓慢旋转±90度，来回5次
4. 然后做几个“8”字运动，让三个轴同时被激励
5. 最后做几次快速的平移运动，激励加速度计

整个过程大概3到5分钟，录制命令：

rosbag record -O imu_motion.bag /camera/imu

注意：运动数据采集时，动作要平滑，不要有剧烈的抖动或撞击。Kalibr假设IMU的运动是连续的，剧烈抖动会被当作噪声处理，影响标定精度。另外，运动幅度要足够大，如果只是轻微晃动，某些轴的尺度因子可能无法被充分激励。

4.2 标定文件配置：YAML怎么写

Kalibr标定IMU需要一个配置文件，指定IMU话题名、噪声参数初值等。创建一个imu.yaml：

# IMU标定配置文件 imu_topic: "/camera/imu" imu_rate: 200 # 加速度计噪声密度初值，单位 m/s^2/sqrt(Hz) accelerometer_noise_density: 0.01 # 陀螺仪噪声密度初值，单位 rad/s/sqrt(Hz) gyroscope_noise_density: 0.001 # 加速度计随机游走初值 accelerometer_random_walk: 0.0001 # 陀螺仪随机游走初值 gyroscope_random_walk: 0.00001

这些初值不需要很准，Kalibr会在标定过程中优化。但初值也不能太离谱，否则优化可能不收敛。我一般用BMI055数据手册里的典型值作为初值。

如果你要同时标定相机-IMU外参，还需要一个相机配置文件。D435i的RGB相机用pinhole-radtan模型：

# camera.yaml cam0: camera_model: pinhole intrinsics: [fx, fy, cx, cy] # 需要先用camera_calibration标定 distortion_model: radtan distortion_coeffs: [k1, k2, r1, r2] resolution: [640, 480] rostopic: /camera/color/image_raw

相机内参可以用ROS自带的camera_calibration工具先标好，这里不展开。

4.3 执行标定：命令和参数详解

先标IMU内参和噪声：

rosrun kalibr kalibr_calibrate_imu_camera \ --bag imu_motion.bag \ --bag-from-to 10 200 \ --imu imu.yaml \ --imu-models scale-misalignment \ --time-calibration

等等，这里有个细节。kalibr_calibrate_imu_camera是用来标定相机-IMU外参的，如果只标IMU内参，应该用kalibr_calibrate_imu？实际上Kalibr并没有单独的IMU内参标定命令，IMU内参是在相机-IMU联合标定过程中一起估计的。所以如果你只想标IMU内参，可以只提供IMU数据，不提供相机数据，Kalibr会退化为纯IMU标定。

但更常见的做法是相机-IMU一起标，这样外参和内参都能拿到。命令如下：

rosrun kalibr kalibr_calibrate_imu_camera \ --bag imu_motion.bag \ --cam camera.yaml \ --imu imu.yaml \ --target aprilgrid.yaml \ --imu-models scale-misalignment \ --time-calibration \ --bag-from-to 5 180

参数解释：

• --bag：运动数据的bag文件
• --cam：相机配置文件
• --imu：IMU配置文件
• --target：标定板配置文件
• --imu-models scale-misalignment：使用完整的IMU误差模型，包括尺度因子和轴间非正交
• --time-calibration：估计相机和IMU之间的时间偏移
• --bag-from-to：只使用bag中指定时间段的数据，跳过开头和结尾不稳定的部分

标定过程大概需要10到30分钟，取决于数据量和机器性能。Kalibr会先做相机标定，然后做IMU标定，最后联合优化。终端会输出优化进度和重投影误差。

4.4 标定结果解读：哪些参数值得关注

标定完成后，Kalibr会输出几个文件：

• camchain-imucam-*.yaml：包含相机内参、IMU内参、相机-IMU外参
• imu-*.yaml：IMU噪声参数
• results-imucam-*.txt：标定报告

打开camchain-imucam-*.yaml，重点看这几项：

# IMU内参 imu: model: scale-misalignment # 陀螺仪尺度因子和轴间非正交矩阵 M_gyro: [1.001, 0.0002, -0.0001, -0.0003, 0.999, 0.0004, 0.0001, -0.0002, 1.002] # 加速度计尺度因子和轴间非正交矩阵 M_acc: [1.002, 0.0003, -0.0002, -0.0001, 0.998, 0.0003, 0.0002, -0.0001, 1.001] # 陀螺仪零偏 bias_gyro: [0.0001, -0.0002, 0.0001] # 加速度计零偏 bias_acc: [0.01, -0.02, 0.03]

尺度因子矩阵的对角线元素应该接近1，非对角线元素应该接近0。如果对角线元素偏离1超过1%，说明IMU的尺度误差比较大，标定补偿会很有必要。零偏值的大小取决于你的IMU个体差异，但陀螺仪零偏一般在0.001 rad/s以内，加速度计零偏在0.05 m/s²以内。

再看imu-*.yaml里的噪声参数：

accelerometer_noise_density: 0.008 accelerometer_random_walk: 0.00008 gyroscope_noise_density: 0.0008 gyroscope_random_walk: 0.000008

这些值要和BMI055的数据手册对比。如果标定出来的噪声密度比手册值大一个数量级，说明数据采集时引入了额外噪声，需要重新采集。

5. 标定完了怎么用？VINS-Fusion配置实战

5.1 把标定结果填入VINS-Fusion配置文件

VINS-Fusion的配置文件在config/realsense_d435i/目录下，主要有两个文件：realsense_d435i_config.yaml和realsense_d435i_imu.yaml。

realsense_d435i_imu.yaml里填入标定得到的噪声参数：

# IMU噪声参数 acc_n: 0.008 # 加速度计噪声密度 gyr_n: 0.0008 # 陀螺仪噪声密度 acc_w: 0.00008 # 加速度计随机游走 gyr_w: 0.000008 # 陀螺仪随机游走

realsense_d435i_config.yaml里填入相机-IMU外参：

# 相机-IMU外参 body_T_cam0: !!opencv-matrix rows: 4 cols: 4 dt: d data: [1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0]

这里的body_T_cam0是IMU坐标系到相机坐标系的变换矩阵，从Kalibr输出的camchain-imucam-*.yaml里直接复制T_cam_imu的逆矩阵。

实操心得：VINS-Fusion里外参矩阵的方向很容易搞反。Kalibr输出的是T_cam_imu，表示从IMU坐标系到相机坐标系的变换。VINS-Fusion需要的是body_T_cam0，表示从相机坐标系到IMU坐标系的变换。所以要对Kalibr的结果求逆。我一开始没注意，直接复制过去，结果VINS-Fusion初始化就失败，排查了半天才发现是外参方向反了。

5.2 验证标定效果：从“飘”到“稳”的对比

标定前后各跑一次VINS-Fusion，对比轨迹。我的测试场景是：手持D435i在办公室里走一圈，回到起点，看闭环误差。

标定前：走一圈回到起点，轨迹终点和起点偏差大约0.5米，而且轨迹有明显的旋转漂移，地图整体歪了大概10度。

标定后：同样的路线，终点和起点偏差缩小到0.1米以内，轨迹基本闭合，地图没有明显旋转。

这个提升是非常直观的。标定前VINS-Fusion的初始化经常失败，需要反复移动相机才能成功；标定后基本一次就能初始化成功，而且初始化后的轨迹很稳定。

5.3 标定参数对SLAM性能的影响分析

IMU标定参数对VIO的影响可以从几个维度来看：

陀螺仪零偏是最关键的。假设零偏是0.005 rad/s，积分10秒就是0.05 rad的姿态误差，换算成角度大概是3度。对于SLAM来说，3度的姿态误差足以导致地图明显变形。标定后零偏降到0.0005 rad/s，10秒积分误差只有0.3度，完全可以接受。

6. 常见问题与排查技巧实录

6.1 标定不收敛怎么办

Kalibr标定不收敛是最常见的问题，表现是终端一直输出优化迭代信息，但残差降不下去，或者直接报错退出。原因通常有几个：

数据激励不足。运动数据里某些轴没有被充分激励，导致对应的尺度因子无法被观测。解决办法是重新采集运动数据，确保三个轴都有足够的旋转和加速度变化。我一般会录两遍，选激励更充分的那一遍。

标定板检测不稳定。如果同时标定相机，标定板检测失败会导致整个优化失败。检查标定板配置文件里的参数是否正确，特别是tagRows、tagCols、tagSize、tagSpacing这几个。AprilTag的tagSpacing是标签间距和标签尺寸的比值，不是绝对距离，很容易填错。

时间偏移太大。D435i的IMU和相机时间戳可能存在偏移，如果偏移超过0.02秒，Kalibr可能无法正确对齐。--time-calibration参数可以估计时间偏移，但如果初值太离谱，优化会失败。可以先用--time-calibration跑一次，看输出的时间偏移是多少，如果超过0.05秒，检查ROS节点的时间同步配置。

6.2 标定结果看起来“不对劲”怎么排查

标定完成后，如果发现某些参数明显不合理，比如尺度因子矩阵对角线偏离1超过5%，或者零偏大得离谱，说明标定过程有问题。排查思路：

• 检查IMU数据本身是否正常。用rostopic echo看原始数据，静止时陀螺仪输出是否接近0，加速度计模长是否接近9.8。
• 检查bag文件的时间戳是否连续。用rosbag info看消息数量和时间跨度，如果时间戳有跳变，标定会受影响。
• 检查标定板配置文件。如果同时标定相机，标定板参数错误会导致外参标定失败，进而影响IMU内参。
• 检查数据采集时的运动是否平滑。如果运动数据里有剧烈抖动，Kalibr会把抖动当作噪声，导致噪声参数被高估。

6.3 D435i IMU标定的独家避坑技巧

技巧一：预热很重要。D435i的IMU零偏对温度敏感，冷启动和预热后的零偏能差好几倍。我一般上电后先跑10分钟，让IMU温度稳定下来，再开始采集数据。如果条件允许，可以用realsense-viewer看IMU温度，等温度稳定在40度左右再开始。

技巧二：静止数据要够长。静止数据用来估计噪声参数，数据越长，噪声估计越准。我一般录10分钟，最少不低于5分钟。录制时确保环境安静，不要有振动源。

技巧三：运动数据要“慢而大”。运动数据的激励要充分，但动作要慢。快速运动会产生额外的振动噪声，而且可能导致运动模糊（如果同时标定相机）。我的经验是，每个轴向的旋转用2到3秒完成，幅度尽量大，但角速度不要超过1 rad/s。

技巧四：外参方向别搞反。前面提过，Kalibr输出的是T_cam_imu，VINS-Fusion需要的是body_T_cam0，两者互为逆矩阵。我建议标定完成后，先用Kalibr的可视化工具检查一下外参是否合理，再填入VINS-Fusion。

技巧五：标定不是一劳永逸。IMU的零偏会随温度和时间变化，建议每隔几个月重新标定一次，或者在温度变化大的环境下使用时重新标定。如果发现SLAM性能突然下降，先检查IMU零偏是否漂了。

6.4 常见问题速查表

7. 进阶话题：多传感器联合标定与在线标定

7.1 相机-IMU-激光雷达联合标定思路

如果你的系统里除了D435i还有激光雷达，比如做激光雷达-视觉-惯性融合的SLAM，那就需要标定三个传感器之间的外参。D435i的IMU和相机是刚性连接的，可以看作一个整体，所以问题简化为标定这个整体和激光雷达之间的外参。

标定方法有两种：基于标定板的方法和无目标方法。基于标定板的方法需要一个同时能被相机和激光雷达看到的标定板，比如带AprilTag的平面板。无目标方法利用环境中的特征，比如墙角、地面，通过优化残差来估计外参。我一般用基于标定板的方法，精度更高，但需要制作专门的标定板。

7.2 在线标定：让SLAM系统自己修正外参

离线标定虽然精度高，但标定完成后外参就固定了。如果相机和IMU之间的相对位姿因为振动或温度变化发生了微小变化，离线标定的外参会失配。在线标定可以在SLAM运行过程中实时估计和修正外参，提高系统的鲁棒性。

VINS-Fusion支持在线外参标定，在配置文件里设置estimate_extrinsic: 1即可。但在线标定需要良好的初始值，如果初始外参偏差太大，在线优化可能不收敛。所以我的建议是：先离线标定得到较好的初值，再开启在线标定做微调。

7.3 标定频率与维护建议

IMU标定不是做一次就完事了。我的建议是：

• 新相机到手：立即做一次完整标定，建立基准。
• 每3到6个月：重新标定一次，检查零偏是否漂移。
• 温度变化大的环境：使用前重新标定，或者至少做一次静止零偏估计。
• SLAM性能下降时：首先怀疑IMU标定，重新标定后再排查其他原因。

标定数据要保存好，包括bag文件、配置文件、标定结果。这样下次标定时可以参考对比，快速判断标定是否正常。

8. 写在最后：一些个人体会

我做D435i的IMU标定前前后后折腾了大概两个月，踩过的坑比这篇文章里写的多得多。最开始我也觉得出厂标定够用，直到有一次跑VINS-Fusion，轨迹飘得连起点和终点都分不清，才下定决心认真标定。第一次标定用了Kalibr的Docker版本，结果因为ROS版本不匹配，数据格式对不上，折腾了一周才跑通。后来换成源码编译，又遇到Eigen版本冲突，编译报错几十个，一个个查资料解决。

但所有这些折腾都是值得的。标定完成后，VINS-Fusion的初始化成功率从不到50%提升到95%以上，轨迹精度提升了一个数量级。更重要的是，我终于理解了IMU标定在VIO系统里的位置——它不是可有可无的预处理，而是整个系统精度的基石。

如果你正在做SLAM或者VIO，我强烈建议你花半天时间认真标定一次IMU。不要觉得麻烦，不要觉得出厂标定够用。等你看到标定前后轨迹精度的对比，你会回来感谢自己的。

最后分享一个小技巧：标定完成后，把标定参数和对应的bag文件一起保存，命名带上日期和温度。下次标定时可以对比，如果发现零偏变化很大，说明IMU可能老化了，需要考虑更换。这个习惯帮我提前发现了一颗快要坏掉的IMU，避免了在重要实验中翻车。