从零到一：Kalibr标定实战全流程与关键质量指标解析
1. 环境准备与Kalibr安装指南
第一次接触Kalibr的朋友可能会被它的依赖项吓到，但别担心，我整理了最精简的安装路线。Kalibr本质上是一个基于ROS的标定工具包，所以ROS环境是必须的。实测在Ubuntu 18.04+ROS Melodic或Ubuntu 20.04+ROS Noetic环境下最稳定。
安装时最容易踩坑的就是Eigen库版本冲突。建议先运行sudo apt remove libeigen3-dev清除系统自带版本，然后手动编译安装Eigen 3.3.7。这个版本与Kalibr的兼容性最好，我经手过的二十多台设备都没出过问题。
核心安装命令其实就这几步：
mkdir -p ~/kalibr_workspace/src cd ~/kalibr_workspace catkin init catkin config --extend /opt/ros/<你的ROS版本> catkin config --cmake-args -DCMAKE_BUILD_TYPE=Release cd src git clone https://github.com/ethz-asl/kalibr.git catkin build -DCMAKE_BUILD_TYPE=Release -j4编译完成后记得测试基础功能：
source devel/setup.bash kalibr_calibrate_cameras --help如果能看到帮助信息，说明安装成功。遇到过有同学编译时卡在99%的情况，通常是虚拟机内存不足导致的，建议物理机操作或给虚拟机分配至少8GB内存。
2. 标定板选择与数据采集实战
标定板就像相机的"视力表"，AprilTag和棋盘格各有优劣。AprilTag 6x6是我最推荐的选择，因为它自带ID识别功能，能自动处理遮挡情况。制作时要注意：打印尺寸要精确，我习惯用A0尺寸的哑光相纸，配合高精度喷墨打印机，这样边缘锯齿能控制在0.1mm以内。
数据采集是标定成功的关键，这里分享我的"九宫格采集法"：
- 将相机视野虚拟划分为3x3网格
- 每个格子内执行5个动作：正视、上仰30度、下俯30度、左偏30度、右偏30度
- 每个姿态保持2-3秒，让标定板占据画面60%-80%面积
特别要注意的是光照条件。我曾在一个阳光直射的下午采集数据，结果重投影误差飙升到3个像素。后来改用柔光箱照明，误差立即降到0.5像素以内。建议使用色温5500K左右的持续光源，照度控制在1000-1500lux最佳。
保存数据时推荐用rosbag record的--lz4压缩选项：
rosbag record -O calibration_data.bag /camera/image_raw --lz4这能减小文件体积又不损失数据精度，一个5分钟的标定数据可以控制在500MB左右。
3. 标定执行与参数调优
运行标定命令前，一定要检查标定板配置文件的参数是否与实际物理尺寸一致。常见错误是把6x6的tag间距误设为5x5的，这种错误会导致标定结果完全不可用。典型的aprilgrid.yaml配置如下：
target_type: 'aprilgrid' tagCols: 6 tagRows: 6 tagSize: 0.032 tagSpacing: 0.3启动标定时，畸变模型选择很重要。对于普通镜头，pinhole-radtan(即布朗-康拉德模型)就够用；如果是鱼眼镜头，要改用pinhole-equi模型。这是我常用的标定命令模板：
rosrun kalibr kalibr_calibrate_cameras \ --bag calibration_data.bag \ --topics /camera/image_raw \ --models pinhole-radtan \ --target aprilgrid.yaml \ --show-extraction遇到"焦距初始化失败"错误时别慌，这通常是标定板运动不够丰富导致的。我的应急方案是：
- 在命令后添加
--init-frame-by-frame参数 - 或者手动指定近似焦距
--approx-sync 0.04 - 实在不行就用
--reprojection-sigma 2放宽误差阈值
4. 结果分析与质量评估
拿到标定结果后，我首先看三个关键指标：
- 重投影误差：1080p相机要<1像素，4K相机要<0.5像素
- 参数置信区间：焦距参数的±值要小于5%
- 标定板位姿分布：在report-cam.pdf里检查视角覆盖是否均匀
最近一次给工业相机标定时，发现重投影误差虽然只有0.8像素，但画面边缘的误差是中心区域的3倍。这说明镜头存在明显的场曲畸变，常规的radtan模型已经不够用了。后来改用rational-polynomial模型后，整体误差降到了0.3像素。
对于需要高精度的情况，建议做交叉验证：
- 用前80%数据标定
- 用剩余20%数据验证
- 比较训练集和验证集的误差差异 如果差异超过15%，说明标定数据存在过拟合风险。
最后提醒大家，标定结果不是一劳永逸的。机械振动、温度变化都会影响相机参数。我给AGV车队维护时发现，夏季和冬季的焦距参数会漂移约1.2%。建议关键应用场景每三个月复检一次，或者安装温度传感器进行在线补偿。