1. 为什么需要多传感器联合标定在机器人导航和自动驾驶系统中相机和IMU惯性测量单元是最常见的传感器组合。相机提供丰富的环境信息但容易受光照影响IMU能稳定输出运动数据但存在累积误差。要让它们优势互补首先需要解决一个关键问题这两个传感器看到的世界必须对齐。想象一下你用手机拍照时发现取景框里的画面总是比实际位置偏右几厘米——这就是典型的传感器未对齐问题。在实际系统中这种偏差会导致视觉惯性里程计(VIO)的位姿估计出现漂移传感器融合算法失效建图与定位精度下降Kalibr工具箱正是为解决这类问题而生。它由苏黎世联邦理工学院(ETHZ)开发能够精确标定相机与IMU之间的时间延迟通常有毫秒级偏差传感器之间的空间变换关系旋转和平移相机镜头畸变等内参特性我去年为一个服务机器人项目做标定时就曾因为忽略时间同步问题导致机器人旋转时出现诡异的轨迹漂移。后来用Kalibr重新标定后定位精度直接提升了62%。2. 环境搭建全攻略2.1 硬件准备清单工欲善其事必先利其器。根据我的踩坑经验推荐以下配置计算设备建议使用Ubuntu 18.04/20.04的x86主机避坑提示ARM架构如树莓派会有编译问题传感器组合支持全局快门的相机如小觅MYNT-EYE-D系列6轴IMU建议选择带温度补偿的型号标定板AprilTag或棋盘格尺寸要根据工作距离选择注意相机和IMU最好有物理固定装置避免标定过程中相对位置变化。我曾用扎带临时固定结果振动导致标定失败3次...2.2 软件依赖安装Kalibr需要ROS框架支持以下是经过验证的安装流程# 添加ROS仓库以Kinetic为例 sudo sh -c echo deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main /etc/apt/sources.list.d/ros-latest.list sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 sudo apt update # 安装完整版ROS sudo apt install ros-kinetic-desktop-full接着安装编译依赖这些包名是我整理后的完整列表sudo apt-get install python-catkin-tools libeigen3-dev libboost-all-dev \ libopencv-dev ros-kinetic-vision-opencv ros-kinetic-image-transport-plugins \ python-igraph python-matplotlib python-scipy python-pip \ libtbb-dev libblas-dev liblapack-dev libv4l-dev2.3 Kalibr源码编译建议新建独立工作空间避免污染现有ROS环境mkdir -p ~/kalibr_ws/src cd ~/kalibr_ws catkin init catkin config --extend /opt/ros/kinetic catkin config --cmake-args -DCMAKE_BUILD_TYPERelease克隆源码并编译实测i7处理器约需25分钟cd src git clone https://github.com/ethz-asl/kalibr.git catkin build -j$(nproc)编译成功后每次使用前需要激活环境source ~/kalibr_ws/devel/setup.bash3. 数据采集实战技巧3.1 标定板选择与制作Kalibr支持两种标定板AprilTag抗遮挡性强推荐6x6布局棋盘格传统方案需保证所有角点清晰可见这是我常用的AprilTag配置模板保存为april_6x6.yamltarget_type: aprilgrid tagCols: 6 tagRows: 6 tagSize: 0.022 # 单位米 tagSpacing: 0.3 # 间距与尺寸的比值实测发现在1米工作距离下使用边长2.2cm的标签配合30%间距效果最佳。太密集会导致检测困难太稀疏会降低精度。3.2 传感器数据录制录制数据包时要注意三个黄金法则运动多样性包含6自由度运动特别是绕各轴旋转光照充足避免过曝或欠曝保证标定板清晰持续时间建议60-90秒太短会导致标定失败启动小觅相机的正确姿势roslaunch mynteye_wrapper_d mynteye.launch录制完整数据包包含双目图像和IMU数据rosbag record -O calib_data.bag \ /mynteye/left/image_raw \ /mynteye/right/image_raw \ /mynteye/imu/data_raw避坑指南录制前先用rostopic hz检查帧率是否稳定避免剧烈晃动导致运动模糊室内环境建议关闭自动曝光4. 标定文件配置详解4.1 相机参数文件相机标定结果通常包含内参和畸变系数以下是小觅D系列相机的示例camchain.yamlcam0: camera_model: pinhole intrinsics: [458.654, 457.296, 367.215, 248.375] # fx,fy,cx,cy distortion_model: equidistant distortion_coeffs: [-0.017, 0.006, -0.004, 0.001] T_cam_imu: # 初始猜测值 [0.014, -0.999, 0.009, -0.05, 0.999, 0.014, 0.001, 0.01, -0.001, 0.009, 0.999, 0.03, 0.0, 0.0, 0.0, 1.0]4.2 IMU参数文件IMU需要提供噪声特性参数imu.yaml# 加速度计参数 accelerometer_noise_density: 1.86e-3 # 噪声密度 [m/s^2/sqrt(Hz)] accelerometer_random_walk: 4.33e-4 # 随机游走 [m/s^3/sqrt(Hz)] # 陀螺仪参数 gyroscope_noise_density: 1.87e-4 # [rad/s/sqrt(Hz)] gyroscope_random_walk: 2.4e-5 # [rad/s^2/sqrt(Hz)] # 标定时间设置 rostopic: /mynteye/imu/data_raw update_rate: 200.0 # Hz5. 执行标定与结果分析5.1 启动标定命令完整标定命令示例kalibr_calibrate_imu_camera \ --target april_6x6.yaml \ --cam camchain.yaml \ --imu imu.yaml \ --bag calib_data.bag \ --bag-from-to 10 70 \ --show-extraction关键参数说明--bag-from-to截取bag中间稳定段避开开始/结束的无效数据--show-extraction实时显示特征点检测情况5.2 解读标定结果标定完成后会生成三个关键文件results-imucam.txt包含时空变换矩阵和时间延迟report-imucam.pdf可视化标定质量covariances.pdf参数估计的不确定性重点关注以下指标重投影误差应小于0.5像素时间延迟通常在毫秒级加速度计/陀螺仪偏差是否符合传感器规格我曾遇到过一个典型案例标定显示时间延迟达50ms检查发现是相机驱动存在缓冲队列未清空。修改驱动后重新标定误差立即降到3ms以内。6. 常见问题排查6.1 标定失败原因分析根据社区反馈和我个人经验主要失败原因包括运动激励不足缺少绕某轴旋转标定板检测失败调整--show-extraction参数优化检测时间不同步检查/imu和/camera话题的时间戳6.2 精度提升技巧多数据集标定合并3-5组不同运动模式的数据温度补偿在IMU温度稳定后进行标定标定板优化使用更高对比度的标定图案最近帮客户调试时发现在相机镜头前加装红外滤光片后标定精度提升了约15%。这说明环境光干扰对结果的影响比想象中更大。7. 进阶应用场景7.1 多相机系统标定对于双目IMU系统需要修改camchain.yaml文件cam0: # 左相机参数... T_cn_cnm1: # 右相机相对于左相机的变换 [1.0, 0.0, 0.0, -0.12, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0]7.2 在线标定实现对于需要持续校准的场景可以基于Kalibr开发在线模块周期性触发数据采集后台运行标定计算动态更新标定参数在无人机项目中我们实现了每30分钟自动标定的机制有效解决了传感器温度漂移问题。