激光雷达与车体为刚性连接，两者间的相对姿态和位移固定不变，为了建立各个激光雷达之间的相对坐标关系，需要对激光雷达的安装进行标定，并使激光雷达数据从激光雷达坐标统一转换至车体坐标上。通过建立车辆质心坐标系、雷达基准坐标系以及车载激光雷达坐标系，将激光雷达的数据转换到基准坐标系中，结合雷达的俯仰角和侧倾角，再将其统一转换到车辆坐标系下。如果有多个车载激光雷达，为了能够得到统一形式的环境信息，需要确立统一的车辆坐标系，并把所有激光雷达的数据转换到该坐标系下。

　　2）多线激光雷达的外部参数

　　理想状态下，激光雷达多线束激光从坐标系原点射出，且每束激光的起始位置都为坐标系原点。但实际上，每个激光传感器安装位置不同，光束的水平方位角也有差异，光束并不在同一个垂直平面内。因此，对应每个激光器都有一组校准标定参数，通过标定方法对参数进行标定，即每个激光束的位置和方向的参数估计[3]。以Velodyne HDL - 64E激光雷达为例，出厂时对每束激光校准参数都已进行标定，但在使用时一般还需对该校准参数进行重新标定。获取64束激光的标定参数后，可将每条激光束返回的距离值 和当前激光雷达的旋转角度 转化为激光雷达坐标系中的笛卡尔坐标 。

　　图14. Velodyne HDL - 64E 激光雷达坐标系定义

　　为了将激光雷达返回的距离和角度信息转换为激光雷达坐标系中的笛卡尔坐标，需要对每一条激光束采用5个参数进行建模。然后通过5个参数将每条激光返回的距离值转换为3D点坐标[11]，包括距离校正因子 ，垂直偏移量 ，水平偏移量 ，垂直校正角 和旋转校正角 。

　　3）多线激光雷达的标定

　　激光雷达外部参数包括激光雷达的俯仰角与侧倾角等，通常可采用等腰直角三角标定板、正方形标定板、标定箱等工具结合标定程序完成外部参数确定。但是，这类外部参数标定方法还依赖于标定板等工具，最好能够实现自动标定方法，例如已有研究中的交互信息最大化外部自动标定法；激光摄像头融合的边缘对齐联合自动标定法和测距与图像融合的基于线段外部参数标定法等[9]。如图7所示的测距与图像融合的基于线段外部参数标定法，无需特殊的人工标定目标，通过自然线性特征获取来确定精确线段变换。通过一组点云形成的3D线段以及一组从图像获得的2D线段之间的对应关系，以及两者相对平移和旋转的联合估计的优化解，来获得外部标定参数。

　　图15. 测距与图像融合的基于线段外部参数标定法

　　4）摄像机和激光雷达联合标定

　　通过提取标定物在单线激光雷达和图像上的对应特征点来进行摄像机外部参数的标定，从而完成单线激光雷达坐标、摄像机坐标、图像像素坐标等多个传感器坐标的统一，实现激光雷达与摄像机的空间对准。

　　激光雷达、摄像机与无人驾驶汽车为刚性连接，因此在同一空间内，每个激光雷达的扫描数据点都在图像空间中存在唯一对应点。通过建立合理的激光雷达坐标系与摄像机坐标系，利用激光雷达扫描点与摄像机图像的空间约束关系，即可求解两坐标系的空间变换关系，从而完成激光雷达与摄像机的空间对准，实现激光雷达数据与可见光图像的关联。在此，激光雷达与摄像机的空间对准问题就转变为在给定雷达图像对应点的情况下的函数拟合问题。

　　利用标定箱，通过对扫描形状的判断，可手工选取出其扫描到标定箱边界的激光点并提取出该点坐标。标定箱的棱角在摄像机中成像清晰，容易获取。通过多次改变标定箱的远近和方位，使其位置尽可能地均匀分布在图像分辨率范围内的各个位置，而通过采集多帧同步后的图像和激光雷达扫描数据，即可获得多j2开奖像雷达对应点对。