自动驾驶需要各类传感器来感知周围环境，传感器数据（图像、点云等）上的坐标与真实世界中的物体的坐标存在对应的转换关系。这一转换关系可通过建模获得的公式计算。

这些公式中有的包含传感器的外部参数，有的也包含传感器的内部参数。外部参数主要和传感器的安装方位有关，2号站铸锻件零部件内部参数主要和焦距、激光发射器坐标等内因有关。

传感器的标定工作，就是通过实验得出传感器内外参数，从而实现各传感器的坐标统一。

相机的内参主要有焦距、镜像畸变量级、缩放比例因子、主点等，外参主要有相机的平移向量、旋转矩阵等。相机内参模型使用最广泛的是张正友的针孔模型，而视野广、畸变大的相机会选择鱼眼模型或者全景模型。相机的内参标定目前业内最广泛应用的是“张正友标定法”，通过采集不同角度棋盘格标定板图像的坐标数据，计算出相机的内参。

对比针孔模型+棋盘格标定板和鱼眼模型+ChArUco标定板的标定效果，可以看出后者的角点覆盖范围更大，去畸变效果也更好。

微信截图_20221027091528
针孔模型+棋盘格标定板标定效果（此图中将ChArUco标定板当做棋盘格标定板使用）

鱼眼模型+ChArUco标定板标定效果

相机的外参标定亦可通过采用多个点的坐标数据来求得。

相机外参标定-前视

相机外参标定-车身前侧

相机外参标定-车身后侧

激光雷达的内参标定指的是激光雷达内部发射器坐标和雷达自身坐标的转换关系，2号站铸锻件零部件这一标定工作在激光雷达出厂前就已经完成。激光雷达的外参标定则主要通过采集多个点在激光雷达与现实世界坐标，来求解系列方程，从而求出俯仰角、横滚角、航像角、纵向位移等外部参数。

激光雷达的外参标定

传感器的标定除了要进行各传感器自身的标定之外，还要进行相机之间的标定、激光雷达和激光雷达之间的标定、激光雷达与惯性导航单元（IMU)的标定、以及相机和激光雷达的联合标定等标定工作，最终实现多个传感器坐标的统一。

多相机之间的标定

激光雷达与相机之间的标定

目前，自动驾驶的激光雷达正在向固态激光雷达转换，自动驾驶公司元戎启行早在2021年就推出了全部采用固态激光雷达的方案。相比起机械雷达，固态激光雷达的FoV（视场角）非常小，多个雷达的重叠区域非常小，因此要采用与机械式激光雷达不同的算法来进行固态激光雷达之间的标定。面对这一问题，元戎启行采用了基于先验地图的多帧联合优化算法，成为了业内率先进行固态激光雷达标定的L4级自动驾驶企业。

元戎启行的激光雷达标定效果

在自动驾驶的早期研发阶段，传感器的标定还未形成高效的模式，主要的几种标定方式有轮廓对齐、环境重建等方式，但这些方式不是准确性不理想，就是对环境的要求过高，有的需要在户外进行长时间的实验，标定效率低。随着自动驾驶进入量产阶段，这类标定方法将不再适用，业内需要的是高效、准确的标定模式——标定车间。

标定车间是一个高度定制化的场地，主要由标定标志物、标定平台、照明设备组成。标定标志物目前主要指标定板，包括棋盘格标定板、ArUco标定板、圆形网格标定板、ChArUco标定板等。企业可根据采用的算法选择不同类型的标定板，有些企业也采用屏幕显示标定板的方式进行标定。