【实践指南】从零到一：手把手完成Lidar-IMU联合标定
1. 为什么需要Lidar-IMU联合标定？
当你第一次把激光雷达和IMU装到机器人上时，可能会发现一个奇怪的现象：明明机器人是静止的，但雷达点云和IMU数据对不上号。我去年调试一台服务机器人时就遇到过这种情况——IMU显示设备正在旋转，但激光雷达的点云却纹丝不动。这就是典型的传感器未标定问题。
标定的本质是建立不同传感器之间的"共同语言"。就像两个人用不同方言交流需要翻译一样，Lidar和IMU也需要通过标定确定它们的空间关系和时间同步关系。具体来说，我们需要解决三个核心问题：
- 空间对齐：确定雷达坐标系到IMU坐标系的6自由度变换（旋转+平移）
- 时间同步：补偿两个传感器数据采集时的时间差
- 误差补偿：校准IMU的内参误差（如零偏、尺度因子）
以我们手头的镭神C32和KVH 1750为例，雷达的安装位置决定了它看到的点云与IMU感知的运动之间存在固定偏差。如果不标定，直接融合这两种数据会导致定位建图时出现"重影"现象。去年我们团队就因此浪费了两周时间排查SLAM算法，最后发现是标定参数偏差了3度旋转。
2. 硬件准备与数据采集
2.1 设备安装要点
在开始标定前，需要特别注意硬件安装方式。根据我的踩坑经验，有几点建议：
- 刚性连接：用金属支架将雷达和IMU牢固固定，避免振动导致相对位移。我们曾用3D打印支架，结果车辆颠簸导致连接件变形，标定参数全部失效。
- 坐标系对齐：尽量使雷达的Z轴与IMU的Z轴方向一致，可以大幅简化后续计算。KVH 1750的坐标系定义在说明书第8页有详细说明。
- 供电稳定：IMU对电压波动非常敏感，建议使用带稳压的电源模块。有一次我们用无人机电池直接供电，导致IMU零偏异常波动。
2.2 数据采集技巧
采集数据时，我推荐使用以下移动轨迹（实测效果最佳）：
- 缓慢平移（0.2m/s）往返运动3次
- 绕Z轴旋转（20°/s）左右各5圈
- "8"字形轨迹运动2分钟
重要提示：一定要在开阔空间操作，避免雷达点云被遮挡。我们曾在车库采集数据，结果墙面反射导致点云特征提取失败。保存数据时建议用ROS的bag工具记录以下topic：
/imu/data (sensor_msgs/Imu) /points_raw (sensor_msgs/PointCloud2)3. 标定工具链实战
3.1 lidar_align的改良用法
虽然原版lidar_align设计用于雷达-里程计标定，但经过我们团队摸索，可以通过以下改造适配IMU标定：
- 预处理IMU数据：使用imu_utils工具包先校准IMU内参
rosrun imu_utils imu_an ./src/imu_utils/launch/imu_calib.launch- 生成虚拟里程计：通过IMU积分产生odom话题（注意这仅适用于短时间标定）
# 示例代码片段 from tf.transformations import quaternion_from_euler pub = rospy.Publisher('/odom', Odometry, queue_size=10) while not rospy.is_shutdown(): # 积分计算位置姿态 current_time = rospy.Time.now() dt = (current_time - last_time).to_sec() # ...积分计算过程省略... odom_msg.pose.pose.orientation = Quaternion(*quat) pub.publish(odom_msg)- 修改lidar_align配置：调整config.yaml中的参数
align_type: 2 # 使用6DoF对齐 pointcloud_topic: "/points_raw" odom_topic: "/odom"3.2 标定结果验证
完成标定后，建议通过以下方式验证结果可靠性：
- 重投影检验：将多帧点云转换到IMU坐标系后查看重合度
- 运动一致性检验：比较IMU测量的角速度与雷达点云计算的角速度
- 闭环检验：让设备做闭环运动，检查起点终点是否重合
这是我们团队最近一次标定的结果示例：
| 参数 | X轴 | Y轴 | Z轴 |
|---|---|---|---|
| 平移(m) | 0.215 | -0.03 | 0.12 |
| 旋转(deg) | 1.2 | 0.8 | 89.7 |
特别注意Z轴旋转接近90度，这是因为我们安装时故意将雷达旋转了90度。如果发现标定结果与物理安装明显不符，可能是数据采集有问题。
4. 常见问题排查指南
4.1 标定结果不稳定
上周帮客户调试时遇到标定结果每次差异大的问题，经过排查发现：
- IMU预热不足：KVH 1750需要至少15分钟预热才能达到稳定状态
- 雷达点云质量问题：检查是否有多路径反射（表现为鬼影点云）
- 运动激励不足：需要充分的旋转和平移激励
建议采集数据时监控IMU温度：
rostopic echo /imu/temperature4.2 时间同步问题
如果发现点云出现"拖影"，很可能是时间不同步导致。可以通过以下命令检查时间戳：
rostopic hz /imu/data rostopic hz /points_raw时间差应小于0.01秒。我们开发了一个简单的时间同步工具，原理是通过插值对齐时间戳：
void syncCallback(const sensor_msgs::Imu::ConstPtr& imu_msg) { // 查找最近的点云消息 auto it = std::lower_bound(cloud_queue.begin(), cloud_queue.end(), imu_msg->header.stamp); // 线性插值计算对应点云 interpolateCloud(*it, *(it-1), imu_msg->header.stamp); }5. 进阶技巧与优化
经过二十多次标定实践，我总结出几个提升精度的小技巧：
- 多位置标定法：在不同位置采集多组数据联合优化
- 特征加权：给地面点云分配更高权重（地面特征更稳定）
- 温度补偿：记录IMU温度变化并建立补偿模型
最近我们还尝试将标定过程可视化，用rviz插件实时显示标定误差：
# 误差可视化代码片段 marker = Marker() marker.type = Marker.TEXT_VIEW_FACING marker.text = "Angular err: %.2f deg" % error marker.pose.position.z = 1.0 error_pub.publish(marker)标定完成后，建议将参数写入URDF文件以便长期使用：
<joint name="lidar_imu_joint" type="fixed"> <origin xyz="0.215 -0.03 0.12" rpy="0.02 0.014 1.566"/> <parent link="imu_link"/> <child link="lidar_link"/> </joint>记得定期检查标定参数，特别是经过剧烈震动后。上个月就有客户因为碰撞导致标定参数失效，机器人导航时不断画圈。