多传感器标定及开源项目

结论：开源标定能做到算法验证和小规模工程落地；距离黑芝麻/主机厂量产，主要差在"自动化产线、标定一致性、误差闭环、版本追溯、在线漂移补偿"。

置信度：高。黑芝麻完整产线标定 SOP 没有公开，只能基于其公开的量产多传感器平台信息和车企常规 ADAS 标定体系做对标。

1. 目前常用标定方法总览

方法	解决什么	典型场景	开源参考
相机内参标定	焦距、主点、畸变	单目/环视鱼眼/前视相机	OpenCV、OpenCalib、TIER IV
多相机外参标定	前后左右相机之间的位置关系	环视、BEV、Fast-BEV	Kalibr、SurroundCameraCalib
相机到车体标定	Camera → Vehicle 坐标系	BEV LUT、车道线、泊车	SensorX2car、OpenCalib
LiDAR-Camera 标定	点云和彩色图像对齐	多模态感知、3D检测	OpenCalib、TIER IV、BEVCalib
Radar-Camera / Radar-LiDAR 标定	雷达目标和视觉/点云对齐	AEB、ACC、融合感知	OpenCalib、TIER IV
IMU/GNSS/LiDAR/Camera 联合标定	时空同步、运动补偿	定位、SLAM、在线标定	Kalibr、Autoware、LI-Calib
产线静态标定	出厂统一标定	主机厂 EOL 标定工位	开源只能模拟，量产多为私有
动态/在线自标定	行驶中修正漂移	载重变化、悬架变化、维修后	SensorX2car、SurroundCameraCalib

OpenCalib 明确覆盖 camera intrinsic、LiDAR-camera、LiDAR-IMU、LiDAR-LiDAR、surround-camera、radar-camera、radar-lidar，以及 factory calibration 工具；TIER IV 的 CalibrationTools 也覆盖 ground-plane、camera-lidar、lidar-lidar、radar-lidar、tag-based PnP/SfM 等工具。(GitHub)

2. 对标黑芝麻 / 主机厂量产方式

黑芝麻公开资料显示，其 Drive Sensing 方案是面向行泊一体的量产单芯片方案，融合前视/BEV 相机、前向/角雷达、超声波雷达等多传感器；但没有公开完整标定流程、标定靶场、误差指标和产线 SOP 。(blacksesame.com) 公开资料也提到 A1000 已处于量产生态中，搭载车企包括一汽、东风、吉利、江淮等，这说明其工程交付更接近"芯片 + 工具链 + 车企/Tier1 标定体系"的组合，而不是单独一个开源式标定算法。(PR Newswire)

主机厂常规 ADAS 标定一般分为三类：静态标定、动态标定、初始化/参数写入 。静态标定是在工位或维修车间用标定靶和诊断仪完成；动态标定则是连接诊断工具后按指定道路条件行驶。(Snap-on) John Bean 的 ADAS 资料也明确指出，静态标定需要受控环境、水平地面、指定光照和标定靶；动态标定需要在特定道路、车速和车道线条件下完成。(John Bean)

3. 各标定方法示意图

3.1 相机内参标定

text 复制代码

棋盘格 / AprilTag / 圆点板
        ↓ 拍摄多角度图片
角点 / tag / 圆心检测
        ↓
求解 K、D
K = fx, fy, cx, cy
D = k1, k2, p1, p2...
        ↓
图像去畸变 / 鱼眼矫正
        ↓
输出 camera_intrinsic.yaml

用途：解决相机自身成像问题。Fast-BEV 生成 LUT 前，必须先有准确的 K + 畸变参数 D。

3.2 多相机环视外参标定

text 复制代码

前相机      左相机      右相机      后相机
  ↓           ↓           ↓           ↓
图像特征 / 地面线 / 重叠区域纹理
  ↓           ↓           ↓           ↓
统一到车体坐标系 Vehicle Frame
        ↓
Camera_i → Vehicle 外参
        ↓
环视拼接 / BEV 投影 / LUT 生成

开源可看 OpenCalib/SurroundCameraCalib ，它支持环视鱼眼相机外参标定，包括 target-less、auto_calib、target-based 等工具。(GitHub)

3.3 Camera → Vehicle 标定

text 复制代码

相机图像
  ↓
车道线 / 地面边缘 / 道路结构
  ↓
估计 pitch / yaw / roll / height
  ↓
Camera 坐标系 → Vehicle 坐标系
  ↓
BEV 网格对齐
  ↓
生成 Fast-BEV LUT

这个是 BEV/Fast-BEV 最关键的一步。LUT 表本质是：

text 复制代码

camera_id, u, v  →  bev_x, bev_y, z / voxel_id

只要 Camera → Vehicle 外参变了，LUT 就必须重新生成或做补偿。

SensorX2car 是一个在线 sensor-to-car 标定工具，支持 camera2car、lidar2car、pose_sensor2car、radar2car。(GitHub)

3.4 LiDAR-Camera 标定：有靶标方法

text 复制代码

相机看到棋盘格 / 圆孔板
        ↓
提取 2D 图像角点 / 圆心
        ↓
LiDAR 扫到标定板平面 / 孔洞 / 边缘
        ↓
建立 2D-3D / 3D-3D 对应关系
        ↓
优化 R, T
        ↓
LiDAR 点云投影到图像验证

适合实验室、产线和高精度标定。OpenCalib 的 factory calibration 提供 chessboard、circle board、vertical board、AprilTag、Aruco、round hole board 等工厂标定板方案。(GitHub)

3.5 LiDAR-Camera 标定：无靶标道路场景方法

text 复制代码

道路图像                 LiDAR 点云
  ↓                         ↓
车道线 / 边缘 / 语义分割     路沿 / 杆状物 / 地面边界
  ↓                         ↓
特征匹配 / BEV 特征对齐
        ↓
优化 LiDAR → Camera 外参
        ↓
多帧一致性验证

优点是不用布置标定板，更接近量产后的在线修正。BEVCalib 这类方法就是把 camera BEV 特征和 LiDAR BEV 特征放到共享 BEV 空间里做标定。(arXiv)

3.6 Radar-Camera / Radar-LiDAR 标定

text 复制代码

毫米波雷达目标点
        ↓
角度 / 距离 / 速度
        ↓
相机目标框 or LiDAR 点云目标
        ↓
目标级关联
        ↓
优化 Radar → Camera / LiDAR 外参
        ↓
融合感知验证：AEB / ACC / 障碍物位置

这类标定比 Camera-LiDAR 难，因为 radar 点稀疏、角分辨率低、噪声大。OpenCalib 和 TIER IV 都有 radar2camera、radar2lidar 或 radar-lidar 相关工具入口。(GitHub)

3.7 Camera-IMU / LiDAR-IMU 联合标定

text 复制代码

Camera / LiDAR 数据流
        ↓
IMU 加速度 / 角速度
        ↓
时间同步 offset 估计
        ↓
空间外参 R, T 估计
        ↓
运动补偿 / 定位 / SLAM

Kalibr 支持多相机标定、Camera-IMU 空间与时间标定、多 IMU 标定、滚动快门标定。(GitHub) Autoware 文档也列了 LiDAR-LiDAR、LiDAR-Camera、LiDAR-IMU 等标定工具链参考。(tier4.github.io)

3.8 主机厂 / 黑芝麻类量产级标定流程

text 复制代码

装车完成
  ↓
EOL 静态标定工位
固定靶标 + 激光定位 + 车辆姿态测量
  ↓
写入 ECU / 域控 / 标定文件
  ↓
自动质检
重投影误差 / BEV 拼接误差 / 目标位置误差
  ↓
动态道路标定
车道线 / 目标车 / 道路结构
  ↓
在线自校正
pitch 漂移 / yaw 漂移 / 载重变化 / 悬架变化
  ↓
版本追溯
VIN + 传感器 SN + 标定参数 + LUT 版本

这就是和开源方案的核心差距：开源主要给算法；量产需要整套工位、诊断仪、误差阈值、自动质检、参数写入、版本管理和售后再标定流程。

4. 推荐开源链接清单

项目	重点用途
OpenCalib / SensorsCalibration	自动驾驶多传感器标定全集：camera、LiDAR、radar、IMU、factory calibration。(GitHub)
OpenCalib / SurroundCameraCalib	环视相机、鱼眼相机外参标定，适合 BEV/Fast-BEV。(GitHub)
OpenCalib / SensorX2car	Camera/LiDAR/Radar/pose sensor 到车体坐标系的在线标定。(GitHub)
TIER IV CalibrationTools	Autoware 体系下的车规工程风格标定工具，含 ground-plane、camera-lidar、radar-lidar、tag-based PnP/SfM。(GitHub)
Kalibr	多相机、Camera-IMU、IMU-IMU、滚动快门标定。(GitHub)
BEVCalib	BEV 特征引导的 LiDAR-Camera 标定，适合研究 BEV 感知和标定联合优化。(arXiv)

5. 对 Fast-BEV 的落地建议

你如果是做 Fast-BEV / BEV 感知，推荐标定链路这样搭：

text 复制代码

相机内参 K,D
  ↓
Camera → Vehicle 外参
  ↓
多相机 overlap 区域一致性检查
  ↓
生成 LUT
  ↓
BEV 检查：车道线、停车位线、路沿是否对齐
  ↓
动态道路数据微调 pitch/yaw/height
  ↓
重新生成 LUT 或加 LUT offset
  ↓
上线版本管理

最小可落地组合：

OpenCV/OpenCalib 做相机内参。
SurroundCameraCalib 做环视外参。
SensorX2car 做 camera2car。
Fast-BEV 根据最终 K、D、R、T 生成 LUT。
用 BEV 车道线/停车位线/路沿重投影误差做验收。

量产级目标不是"标一次能跑"，而是：

text 复制代码

每台车都能自动标定
每次标定都有质量报告
每个参数都能追溯
每次维修后能复标
行驶中能发现漂移并补偿