聊聊两种 IMU 标定方式：内参标定和外参标定
做机器人、自动驾驶或者任何涉及定位和姿态估计的项目，IMU（惯性测量单元，就是那个测加速度和角速度的小盒子）都是绕不开的传感器。但绝大多数人把它接入系统跑起来之后，都会遇到一个尴尬的问题：数据飘。静止放着加速度计有偏置，转动起来陀螺仪有温漂，这玩意儿直接决定了你后续姿态解算、融合定位的天花板。我以前也踩过这个坑，以为买了个高精度模块就能直接吃数据，结果跑 VIO（视觉惯性里程计）的时候轨迹直接飞了。后来才明白，问题不在传感器本身，而在标定。
说到 IMU 标定，圈子里常说的“两种方式”其实分两个维度理解：一种是标 IMU 自身的内部参数，叫内参标定；另一种是标 IMU 和其他传感器之间的相对位姿关系，叫外参标定。这俩完全是两码事，但很多人混着叫，导致调参的时候一头雾水。这篇就把这两种方式从头到尾拆开讲清楚：什么时候该做哪个、各自需要什么工具和操作步骤、会踩哪些坑，以及我用这些方法下来的一些真实体感。
如果你是刚接触 SLAM、多传感器融合，或者在调自己的机器人平台却被 IMU 数据折磨得头皮发麻，那这篇应该能帮你把思路理顺，少走不少弯路。
1. 先把概念掰正：内参和外参到底标的是什么
1.1 内参标定：让 IMU 自己“说真话”
内参标定，简单说就是搞清楚 IMU 本身出厂时留下的那些“坏毛病”。比如加速度计的零偏（静止时输出不为 0）、尺度误差（测到的加速度和真实加速度的比值有偏差）、安装误差（三个轴的敏感方向不是严格正交），以及陀螺仪的零偏、尺度误差等等。此外还有随机游走噪声、零偏稳定性这些统计特性，也属于内参范畴。
这些参数如果不去管它，最直接的影响就是积分出来的速度和姿态漂移得飞快。举个例子，一个零偏为 0.01 m/s² 的加速度计，积分 10 秒就会带来大约 0.5 m/s 的速度误差，再积一次分，位置误差就更夸张了。所以做任何基于 IMU 积分或者状态估计的项目，内参标定是第一步，没得商量。
常用的做法是利用 Allan 方差分析法来提取噪声特性，再用优化的方法把零偏和尺度误差估计出来。经典的工具链是imu_utils配合kalibr，或者直接用kalibr的 imu 标定模块来做。后面我会把操作细节补上。
1.2 外参标定：告诉系统 IMU 装在哪、朝哪看
外参标定，则是解决“IMU 和另一个传感器之间的相对位置和姿态是什么”的问题。你想想，系统里通常不止一个传感器——摄像头、激光雷达、轮式里程计、机械臂关节角传感器——它们各自测量的是自己坐标系下的物理量，要融合到一起，就必须知道坐标系之间的变换关系（通常是一个 4x4 的刚体变换矩阵，包含 3 轴平移 和 3 轴旋转）。
比如视觉惯性系统里，相机拍了张图，IMU 测了角速度和加速度，算法要把图像特征和 IMU 数据放到同一个坐标系下处理，这时候就需要“相机到 IMU”的外参。再比如机械臂上加了一个 IMU，想让 IMU 的数据能够表达工具末端的姿态变化，就需要知道“工具坐标系到 IMU”的外参。这个外参一旦标错，整个系统内部就是扭曲的，融合再多传感器也没用，反而互相打架。
外参标定通常依靠“运动激励”——让设备动起来，采集传感器数据，然后通过手眼标定或者目标函数优化的思路求解。不同传感器组合用的工具也不同，后面详细说。
1.3 为什么说这两种是“两种方式”而不是“两种工具”
其实从操作和原理上讲，内参和外参的求解思路差异非常大。内参标定的核心是让 IMU 静止或多个已知姿态下采集数据，通过对比“期望的物理量”和“IMU 测到的量”来估计误差模型中的参数；而外参标定需要运动激励，通过观测同一次运动中各个传感器输出的变化，寻找它们之间的几何变换关系。
所以别再问“标定 IMU 用哪套软件”这种笼统的问题了，先判断你要内参还是外参。如果 IMU 数据本身就飘得离谱，你标外部参数是没意义的——拿一把不准的尺子去量桌子，量出来的桌子尺寸再准也没用，尺子的问题必须先解决。
2. 内参标定实操：让 IMU 的数据回归可信
2.1 采集数据前的准备工作和环境要求
内参标定对数据采集环境要求很高，核心就是两个字：静置。把 IMU 固定在一个稳定的平面上，周围不要有人走动、不要开振动源（比如空调压缩机近距离不行）、不要有风吹到设备，因为这些都会引入额外的加速度噪声。最好放在地下室或者桌面隔振垫上，实测下来效果差异挺明显的。
需要采集多长时间？看你要识别多慢的偏差。Allan 方差分析需要覆盖足够长的采样时间，一般建议至少采集 2 小时以上。不过如果你只想标零偏和尺度误差，不做太细致的噪声分析，30 分钟到 1 小时也能凑合，但结果置信度会低一些。
采集时需要注意保持 IMU 水平放置吗？其实不用特别水平。理论上讲，只要静止，加速度计的模长就应该等于当地重力加速度，这个信息本身就足以用来估计零偏和尺度误差。不过如果偏差太大，比如安装歪了，那你需要分多个姿态采集才能更好地区分“偏差项”和“安装误差”，不然无法完全可观。
2.2 基于 imu_utils 的标定流程
imu_utils是 ETH 那边开源的一套 IMU 内参标定工具，原理上是利用 Allan 方差来估计噪声密度、零偏稳定性和随机游走。用起来不算复杂，但有几个细节要注意。
先建一个 ROS 工作空间，把imu_utils和code_utils（它依赖这个包）拉下来编译。然后把 IMU 的 ROS 驱动跑起来，确保话题（topic）发布的是原始数据（通常是sensor_msgs/Imu格式），不要经过任何滤波或者融合。用rosbag record记录话题数据，录完 2 小时左右停止。
然后写一个 launch 文件，配置三个关键参数：imu_topic（你的 IMU 话题名）、imu_name（输出文件名前缀）、max_time_min（要分析的最大分钟数，一般设个 120，但实际取决于你录了多久）。运行标定节点后，它会读取 rosbag，截取不同时间长度的数据段做 Allan 方差分析，最终生成 yaml 文件，里面包含：
gyr_noise_density：陀螺仪噪声密度（单位：deg/h/√Hz 或者 rad/s/√Hz）gyr_random_walk：陀螺仪随机游走（单位：deg/√h）acc_noise_density：加速度计噪声密度acc_random_walk：加速度计随机游走- 以及零偏（bias）的估计值
有几点要提醒你：
第一，
imu_utils分析的是静止数据，如果你的 rosbag 里混入了运动段，结果会严重失真。录制时务必把 IMU 固定死，别去碰它。
第二，输出 yaml 里的 bias 是参考给定采样时间和温度条件下的值，实际使用中温度变化会让零偏漂移。所以对精度要求高的场景，可以考虑做温度补偿，但那是更后面的工程问题了。
第三，如果你用的是
kalibr来标内参，它也能做，但更常用于外参标定。内参我一般习惯用imu_utils，因为它对 Allan 方差的处理更直接，而且生成的参数格式能直接被 VINS-Mono 这类系统加载。
2.3 结果怎么解读、怎么用
拿到 yaml 文件之后，你会看到类似这样的内容（以 VINS-Mono 的配置文件为例）：
# 加速度计 acc_n: 0.043 # 噪声密度 (m/s^2 / sqrt(Hz)) acc_w: 0.0004 # 随机游走 (m/s^2 / sqrt(h)) # 陀螺仪 gyr_n: 0.0035 # 噪声密度 (rad/s / sqrt(Hz)) gyr_w: 0.00004 # 随机游走 (rad/s / sqrt(h)) # 零偏 gyr_bias_init: 0.01 acc_bias_init: 0.05这些参数在后续滤波器里是直接参与计算的。比如 VINS-Mono 里面，acc_n和gyr_n会被作为测量噪声协方差矩阵的值，acc_w和gyr_w会被当成 IMU 动力学模型里的过程噪声参数。如果这几个数给得离谱，整个优化问题就病态了，估计出来的轨迹和姿态都会出问题。
我第一次做这一步时踩了个坑：直接用出厂手册给的典型值当内参，没自己标。结果在室内小范围场景跑 VINS，前 10 秒还好，后来位置慢慢漂了几十厘米，轨迹的环也闭合不上。重新做内参标定之后，同样的数据跑出来的误差直接小了一个数量级。这里面的差距，就是内参的威力。
3. 外参标定实操：打通传感器之间的坐标变换
3.1 相机与 IMU 的联合外参标定（kalibr）
说到相机和 IMU 的外参标定，最主流的工具还是kalibr。它能同时标定相机内参、IMU 内参（支持），以及相机到 IMU 的外参（变换矩阵）。核心思路是：让相机和 IMU 一起运动，用 Aprilgrid 或 Checkerboard 作为视觉观测目标，通过视觉特征的重投影误差以及 IMU 预积分误差的联合优化，把外参求解出来。
标定板要选好：Aprilgrid 比传统棋盘格好用，因为它是编码标记，即使部分遮挡也能估计出角点对应的全局 ID，而且在快速运动和模糊的情况下也能提取。打印的时候尺寸要准，打印后最好用尺子量一下实际格子边长，在配置里填实际值，不要完全信任打印机标称比例。
采集数据的动作要尽量包含六个自由度的运动：平移（三个方向）和旋转（三个轴）。不要只做匀速直线运动，那样视觉和惯性之间的关联太弱。实际采集时我一般让相机和 IMU 在标定板前做类似“画 8 字”“绕 X/Y/Z 轴晃动”的动作，过程中保持标定板在视野里，同时避免运动过快导致图像模糊。录 1~3 分钟就够了，太长的数据反而会让优化耗时变长。
运行标定时，命令大致长这样（ROS 1 环境下）：
kalibr_calibrate_imu_camera \ --target april_6x6.yaml \ --cam camchain.yaml \ --imu imu.yaml \ --bag dataset.bag \ --time-calibration其中camchain.yaml是相机内参（可以用 kalibr 先做相机内参标定得到），imu.yaml是 IMU 的噪声特性和话题信息。--time-calibration选项非常关键，它会在优化外参的同时估计传感器之间的时间延迟（时间戳偏移），这个时间偏移对于视觉惯性系统来说也极其重要。实测下来，不加时间校准的外参标定结果，往往在优化轨迹时会出现周期性的漂移，就是因为数据之间的时间对不齐。
3.2 激光雷达与 IMU 标定（lidar-IMU 外参标定）
随着激光雷达和 IMU 融合的方案越来越多，lidar-IMU 外参标定也成了刚需。解决思路和相机-IMU 类似：让传感器组合运动，采集点云和 IMU 数据，通过点云配准得到的位姿变化和 IMU 积分得到的姿态变化做联合优化。
工具上可以选择：
lidar_imu_calib（基于 hand-eye 标定思路的点云匹配方法）direct_visual_lidar_calibration（同时标相机、雷达和 IMU）- 或者自己写一个基于 NDT/ICP 配准的标定脚本
需要注意的是，激光雷达的观测是三维点云，对特征稀疏的环境（比如空旷走廊）很难收敛。标定时的环境尽量选在有明显几何特征的地方，比如墙角、立柱、桌椅区域。动作同样要包含旋转和平移的多样性。
另外，如果你的雷达是多线激光雷达（比如 Velodyne、Ouster 这种旋转式的），在标定前最好确认雷达的内参（每根线的水平/垂直角度偏移）本身是准的，不然标定结果会把雷达的内参误差也混到外参里去。
3.3 手眼标定：机械臂和 IMU 的外参标定
在机械臂场景下，最常见的需求是标定“工具坐标系到相机或 IMU”的外参，也就是经典的 hand-eye 问题。方程形式是 AX = XB，A 是机械臂末端位姿的变化，B 是传感器（IMU 或相机）位姿的变化，X 就是我们要标的外参。
对于 IMU 而言，B 可以通过积分 IMU 的姿态增量得到。需要强调的是，这个标定过程对 IMU 的姿态解算精度要求较高，所以建议先做内参标定，再用卡尔曼滤波或者互补滤波解算姿态，不然 B 本身就是错的，AX = XB 解出来全是噪声。
实操步骤一般是：
- 控制机械臂运动到一系列不同的位姿，每个位姿停留 2~3 秒让 IMU 数据稳定。
- 记录机械臂末端位姿（来自关节编码器正解）和 IMU 的角速度/加速度数据。
- 在离线阶段，用机械臂的位姿序列构造 A，用 IMU 积分构造 B。
- 用 Tsai-Lenz 或 Park-Martin 算法解算 AX = XB。
我自己用下来，如果只是标姿态（旋转矩阵），用 Tsai 方法就够了；如果还要标平移，那需要注意机械臂末端坐标系原点到 IMU 测量中心之间的杆臂效应，旋转中心与 IMU 参考点不一致会导致平移部分耦合误差。这种情况下需要额外采集多个姿态，让优化问题可解。
4. 常见问题排查与实操避坑心得
4.1 标定结果反复变化，怎么定位问题
如果你连续标了两次，得到的参数差异很大，先别急着怀疑工具。常见原因按优先级排查：
- 数据采集条件不一致：有没有保证静止？环境有没有振动？温度有没有明显变化？
- 运动激励不充分：外参标定如果运动幅度太小，或者总是一个方向，很多自由度不可观，结果必然不稳定。
- 时间戳对齐问题：不同传感器的时间戳如果来自不同时钟源，并且没有被同步，标定结果的误差会很大。确认你用的驱动是否统一发送了时间戳，或者做好时间同步。
- 数据质量问题：视觉标定时如果标定板图像模糊，角点提取误差大，那优化出来的外参也不会好。录完数据后先检查一下图像是否清晰。
4.2 标定结果能在不同场景间复用吗
理论上，内参标定结果换环境也能用（前提是温度相近），但外参标定结果是不能轻易复用的——只要设备被重新安装、固定结构变形、或者螺丝松动，外参就变了。尤其是无人机上桨叶电机振动会导致 IMU 安装座的微小形变，这也会在长时间尺度上影响外参。
有个比较实际的建议：在设备的日常运维中，加入快速在线外参校验的环节。比如 VINS-Fusion 这类系统支持在线估计外参的某些维度，或者你可以定期做一个简单的 1 分钟标定（只做姿态部分），检查外参是否发生了明显漂移。这个方法能帮你在系统性能下降的早期发现问题，避免在错误参数下盲目调参。
4.3 用标定后的参数启动系统，还是发飘，怎么办
如果确认内参和外参都标过了，系统性能还是不好，那问题大概率出在时间同步和原始测量噪声模型上。具体来说：
- 确认各传感器的时间戳是否同步到同一时钟。ROS 中可以用
tf2的时间同步来做近似，但更可靠的是用硬件同步（比如 PPS 同步或触发线）。 - 检查 IMU 的原始数据是否被驱动做了滤波。某些 IMU 驱动默认开启低通滤波，这会改变数据的频率特性，导致你的噪声模型完全失效。
- 检查你的估计器（VINS、LIO 等）用的参数文件里的噪声参数，是不是真的来自你的标定结果，还是残留了模板默认值。这个问题我见过太多次，标定和被不两回事，标定完了不配置进去等于白标。
4.4 标定平台搭建的额外建议
做多传感器标定最好有个固定的工作台，下面几个东西能极大提升效率：
- 一台可靠的便携式采集主机，确保磁盘空间足够（2 小时 bag 可能要几十 GB），并且系统时间稳定（可以用 NTP 同步一次）。
- 一块足够大的标定板或者带漫反射面的标靶。Aprilgrid 的话，建议打印在平整的铝塑板上，不要用普通纸贴在墙上——起泡和褶皱会直接毁掉标定数据。
- 一个可调高度的三脚架或者夹具，保证标定过程中传感器组不会被碰歪。
- 如果你要频繁标定多组传感器，还可以做一个带刻度标记的固定平台，这样能快速复现相似的采集姿态。
5. 把标定这件事真正纳入你的项目流程
我自己的习惯是，每到一个新平台，第一步不是写算法，而是先花半天到一天时间把内参外参完整标一遍，然后把标定结果和采集数据存档。哪怕是同一个型号的 IMU，每颗芯片的零偏和噪声特性都有个体差异，不要迷信“同批次一致性很好”这种话。
有个小技巧可以分享：标定完外参之后，做一个一致性验证——把设备对着已知特征（比如标定板静止 10 秒，然后手动转几圈），把 IMU 和视觉/雷达的输出在统一坐标系下可视化对比。如果两条轨迹的重合度很好，那说明标定基本靠谱；如果差得很明显，回到前面的排查清单。这样做虽然多花几分钟，但能省下后面调试的好几天。
最后，如果你用的是 VINS-Mono、VINS-Fusion、LIO-SAM 这套开源系统，它们读取的 IMU 参数格式各有差异，建议你把标定结果整理成一个同意的 yaml 模板，把噪声密度、随机游走、零偏初值、外参变换矩阵这些字段统一管理起来。长期维护多个设备时，这个习惯简直是救命的。
