当前位置： 首页 > news >正文

Apollo中三种相机外参的可视化分析

news 2025/8/7 6:45:33

Apollo中三种相机外参的可视化分析

      • 一、什么是相机外参？为什么需要可视化？
      • 二、不同外参来源对比
      • 三、详细操作步骤
        • 1. 环境准备
        • 2. 获取 `NuScenes`外参数据
        • 3. 外参到空间位置的转换及可视化
      • 四、可视化对比
        • 1. `NuScenes`数据集外参
        • 2. Apollo BEV模型外参
        • 3. Apollo园区版外参
      • 五、关键结论与应用

一、什么是相机外参？为什么需要可视化？

在自动驾驶系统中，相机外参描述了相机在车辆坐标系中的位置和朝向。它包含两个关键信息：

  1. 位置：相机相对于车辆中心（通常是激光雷达位置）的坐标 (x, y, z)
  2. 朝向：相机的旋转角度（通常用四元数表示）

可视化相机外参的重要性在于：

  • 验证标定质量：直观检查相机位置和朝向是否符合物理布局
  • 检测标定错误：发现位置偏移或方向错误等重大问题
  • 理解感知系统：帮助理解不同相机视角的覆盖范围
  • 多传感器融合：确保相机和激光雷达的空间对齐关系正确

二、不同外参来源对比

本次分析对比了三种不同来源的外参数据：

  1. NuScenes数据集外参

    • 来源：公开数据集v1.0-mini
    • 特点：标准车辆坐标系，相机布局规范

  2. Apollo BEV模型自带外参

    • 来源：camera_detection_bev模型
    • 特点：针对特定感知模型优化

  3. Apollo园区版外参

    • 来源：nuscenes_165校准数据
    • 特点：Apollo实际部署使用的参数【怀疑是非真实的】

三、详细操作步骤

1. 环境准备
nuscenes-devkit              1.1.11     # NuScenes数据集解析工具
numpy                        1.26.0
opencv-contrib-python        4.12.0.88
opencv-python                4.9.0.80
opencv-python-headless       4.9.0.80
2. 获取 NuScenes外参数据
cat > get_nuscenes_extrinsics.py <<-'EOF'
import numpy as np
from nuscenes.nuscenes import NuScenesdef get_nuscenes_extrinsics(nusc, sample_token):"""获取6个相机的变换矩阵和位置"""sample = nusc.get('sample', sample_token)camera_channels = ["CAM_FRONT", "CAM_FRONT_RIGHT", "CAM_BACK_RIGHT","CAM_BACK", "CAM_BACK_LEFT", "CAM_FRONT_LEFT"]extrinsics = {}positions = {}rotations = {}directions = {}print("相机数据 (名称, 四元数(w,x,y,z), 位置(x,y,z))")print("[")for channel in camera_channels:camera_data = nusc.get('sample_data', sample['data'][channel])calib_sensor = nusc.get('calibrated_sensor', camera_data['calibrated_sensor_token'])rotation = np.array(calib_sensor['rotation'])trans = np.array(calib_sensor['translation'])print(f"[\"{channel:16s}\",[{rotation[0]:>7.4e},{rotation[1]:>7.4e},{rotation[2]:>7.4e},{rotation[3]:>7.4e}],[{trans[0]:>7.4f},{trans[1]:>7.4e},{trans[2]:>7.4e}]],")print("]")
dataroot = './'  # 替换为你的数据集路径
nusc = NuScenes(version='v1.0-mini', dataroot=dataroot, verbose=False)
sample_token = nusc.sample[0]['token']
get_nuscenes_extrinsics(nusc, sample_token)   
EOF# 执行脚本（需提前下载数据集）
python get_nuscenes_extrinsics.py

关键步骤解释：

  1. 连接NuScenes数据库获取标定数据
  2. 提取6个相机的四元数旋转参数和平移向量
  3. 格式化输出外参矩阵（位置+旋转）

输出

相机数据 (名称, 四元数(w,x,y,z), 位置(x,y,z))
[
["CAM_FRONT       ",[4.9980e-01,-5.0303e-01,4.9978e-01,-4.9737e-01],[ 1.7008,1.5946e-02,1.5110e+00]],
["CAM_FRONT_RIGHT ",[2.0603e-01,-2.0269e-01,6.8245e-01,-6.7136e-01],[ 1.5508,-4.9340e-01,1.4957e+00]],
["CAM_BACK_RIGHT  ",[1.2281e-01,-1.3240e-01,-7.0043e-01,6.9050e-01],[ 1.0149,-4.8057e-01,1.5624e+00]],
["CAM_BACK        ",[5.0379e-01,-4.9740e-01,-4.9419e-01,5.0455e-01],[ 0.0283,3.4514e-03,1.5791e+00]],
["CAM_BACK_LEFT   ",[6.9242e-01,-7.0316e-01,-1.1648e-01,1.1203e-01],[ 1.0357,4.8480e-01,1.5910e+00]],
["CAM_FRONT_LEFT  ",[6.7573e-01,-6.7363e-01,2.1214e-01,-2.1123e-01],[ 1.5239,4.9463e-01,1.5093e+00]],
]
3. 外参到空间位置的转换及可视化
cat > infer_camera_pos_by_extrinsics.py <<-'EOF'
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import FancyArrowPatch
from mpl_toolkits.mplot3d import proj3d, Axes3D
import json
from scipy.spatial.transform import Rotation as R
from pyquaternion import Quaternion
from collections import OrderedDict
import yaml# 自定义3D箭头类
class Arrow3D(FancyArrowPatch):def __init__(self, xs, ys, zs, *args, **kwargs):super().__init__((0,0), (0,0), *args, **kwargs)self._verts3d = xs, ys, zsdef do_3d_projection(self, renderer=None):xs3d, ys3d, zs3d = self._verts3dxs, ys, zs = proj3d.proj_transform(xs3d, ys3d, zs3d, self.axes.M)self.set_positions((xs[0], ys[0]), (xs[1], ys[1]))return min(zs)# 四元数转旋转矩阵函数
def quaternion_to_rotation_matrix(translation, rotation):"""1.输入是从相机坐标系到车辆坐标系将四元数转换为3x3旋转矩阵，并调整平移部分"""q = Quaternion(rotation)  # 注意参数顺序：w,x,y,zR_w2c = q.rotation_matrix  # 世界坐标系到相机坐标系的旋转# 计算相机中心在世界坐标系中的位置: C = -R^T * TT = np.array(translation)C = -R_w2c.T @ T# 构建从相机坐标系到世界坐标系的变换矩阵transformation_matrix = np.eye(4)transformation_matrix[:3, :3] = R_w2c   # 旋转部分transformation_matrix[:3, 3] = C        # 平移部分: 相机中心在世界坐标系中的位置return transformation_matrix# 四元数转旋转矩阵函数
def quaternion_to_rotation_matrix_apollo(translation, rotation):"""将四元数转换为3x3旋转矩阵，并调整平移部分"""q = Quaternion(rotation)  # 注意参数顺序：w,x,y,zR_w2c = q.rotation_matrix  # 世界坐标系到相机坐标系的旋转# 计算相机中心在世界坐标系中的位置: C = -R^T * TT = np.array(translation)C = -R_w2c.T @ T# 构建从相机坐标系到世界坐标系的变换矩阵transformation_matrix = np.eye(4)transformation_matrix[:3, :3] = R_w2c   # 旋转部分transformation_matrix[:3, 3] = C        # 平移部分: 相机中心在世界坐标系中的位置return transformation_matrixcam_names = ["CAM_FRONT","CAM_FRONT_RIGHT","CAM_FRONT_LEFT","CAM_BACK","CAM_BACK_LEFT","CAM_BACK_RIGHT"]def gen_bev_kdata_from_nuscenes_extrinsics(extrinsics_data):'''通过nuscenes_extrinsics外参生成bev需要的外参矩阵(6,4,4)'''cameras = {}    for val in json.loads(extrinsics_data):name,rotation,translation=valname=name.strip()cameras[name]={"translation":translation,"rotation":rotation}with open("nuscenes_extrinsics.txt","w") as f:f.write("[\n")for name in cam_names:cam =cameras[name]            extrinsic = quaternion_to_rotation_matrix(cam["translation"],cam["rotation"])for line in extrinsic:print(line)f.write(",".join([f"{x:.8e}" for x in line])+",\n")f.write("]\n")def gen_bev_kdata_from_apollo_nuscenes_165():'''通过apollo的nuscenes_165外参生成bev需要的外参矩阵'''print("相机数据 (名称, 四元数(w,x,y,z), 位置(x,y,z))")with open("apollo_nuscenes_165.txt","w") as f:f.write("[\n")for name in cam_names:path=f"camera_params/{name}_extrinsics.yaml"with open(path, 'r',encoding="utf-8") as fi:config = yaml.safe_load(fi)extrinsic=config['transform']translation=extrinsic['translation']rotation=extrinsic['rotation']            rotation=[rotation['w'], rotation['x'], rotation['y'], rotation['z']]trans=[translation['x'], translation['y'], translation['z']]print(f"[\"{name:16s}\",[{rotation[0]:>7.4e},{rotation[1]:>7.4e},{rotation[2]:>7.4e},{rotation[3]:>7.4e}],[{trans[0]:>7.4f},{trans[1]:>7.4e},{trans[2]:>7.4e}]],")extrinsic = quaternion_to_rotation_matrix(trans,rotation)for line in extrinsic:f.write(",".join([f"{x:.8e}" for x in line])+",\n")f.write("]\n")def main(ext_params,name):ext_params = ext_params.reshape(6, 4, 4)# 创建3D图形fig = plt.figure(figsize=(14, 10))ax = fig.add_subplot(111, projection='3d')ax.set_title(f'Camera Positions Relative to LiDAR({name})', fontsize=16)# 绘制LiDAR原点ax.scatter([0], [0], [0], c='red', s=100, label='LiDAR Origin')# 相机颜色映射colors = {"CAM_FRONT": "blue","CAM_FRONT_RIGHT": "green","CAM_FRONT_LEFT": "cyan","CAM_BACK": "red","CAM_BACK_LEFT": "magenta","CAM_BACK_RIGHT": "yellow"}# 处理每个相机for i, matrix in enumerate(ext_params):# 提取数据name = cam_names[i]R = matrix[:3, :3]   # 旋转矩阵pos = matrix[:3, 3]  # 平移向量cam_pos=poscam_pos= - R @ cam_pos# 计算相机朝向向量 (Z轴方向)direction = R @ np.array([0, 0, 1])# 绘制相机位置ax.scatter(cam_pos[0], cam_pos[1], cam_pos[2], c=colors[name], s=80, label=name)# 绘制相机朝向箭头arrow = Arrow3D([cam_pos[0], cam_pos[0] + direction[0]*0.4],[cam_pos[1], cam_pos[1] + direction[1]*0.4],[cam_pos[2], cam_pos[2] + direction[2]*0.4],mutation_scale=15, arrowstyle="-|>", color=colors[name], linewidth=2)ax.add_artist(arrow)# 添加文本标签ax.text(cam_pos[0], cam_pos[1], cam_pos[2] + 0.1, name, fontsize=6)# 设置坐标轴ax.set_xlabel('X Axis (Front-Back)', fontsize=12)ax.set_ylabel('Y Axis (Left-Right)', fontsize=12)ax.set_zlabel('Z Axis (Height)', fontsize=12)# 设置等比例坐标轴max_range = 2 #np.array([max(abs(p) for cam in cameras for p in cam["translation"])]).max() * 1.5ax.set_xlim(-max_range, max_range)ax.set_ylim(-max_range, max_range)ax.set_zlim(-max_range, max_range)# 添加图例和网格ax.legend(loc='upper right', fontsize=10)ax.grid(True)# 调整视角以便观察ax.view_init(elev=25, azim=-45)plt.tight_layout()plt.show()# apollo bev自带的k_data modules/perception/camera_detection_bev/detector/petr/bev_obstacle_detector.h
apollo_bev_kdata = np.array([-1.40307297e-03, 9.07780395e-06,  4.84838307e-01,  -5.43047376e-02,-1.40780103e-04, 1.25770375e-05,  1.04126692e+00,  7.67668605e-01,-1.02884378e-05, -1.41007011e-03, 1.02823459e-01,  -3.07415128e-01,0.00000000e+00,  0.00000000e+00,  0.00000000e+00,  1.00000000e+00,-9.39000631e-04, -7.65239349e-07, 1.14073277e+00,  4.46270645e-01,1.04998052e-03,  1.91798881e-05,  2.06218868e-01,  7.42717385e-01,1.48074005e-05,  -1.40855671e-03, 7.45946690e-02,  -3.16081315e-01,0.00000000e+00,  0.00000000e+00,  0.00000000e+00,  1.00000000e+00,-7.0699735e-04,  4.2389297e-07,   -5.5183989e-01,  -5.3276348e-01,-1.2281288e-03,  2.5626015e-05,   1.0212017e+00,   6.1102939e-01,-2.2421273e-05,  -1.4170362e-03,  9.3639769e-02,   -3.0863306e-01,0.0000000e+00,   0.0000000e+00,   0.0000000e+00,   1.0000000e+00,2.2227580e-03,   2.5312484e-06,   -9.7261822e-01,  9.0684637e-02,1.9360810e-04,   2.1347081e-05,   -1.0779887e+00,  -7.9227984e-01,4.3742721e-06,   -2.2310747e-03,  1.0842450e-01,   -2.9406491e-01,0.0000000e+00,   0.0000000e+00,   0.0000000e+00,   1.0000000e+00,5.97175560e-04,  -5.88774265e-06, -1.15893924e+00, -4.49921310e-01,-1.28312141e-03, 3.58297058e-07,  1.48300052e-01,  1.14334166e-01,-2.80917516e-06, -1.41527120e-03, 8.37693438e-02,  -2.36765608e-01,0.00000000e+00,  0.00000000e+00,  0.00000000e+00,  1.00000000e+00,3.6048229e-04,   3.8333174e-06,   7.9871160e-01,   4.3321830e-01,1.3671946e-03,   6.7484652e-06,   -8.4722507e-01,  1.9411178e-01,7.5027779e-06,   -1.4139183e-03,  8.2083985e-02,   -2.4505949e-01,0.0000000e+00,   0.0000000e+00,   0.0000000e+00,   1.0000000e+00
])nuscenes_extrinsics_data = """
[
["CAM_FRONT       ",[4.9980e-01,-5.0303e-01,4.9978e-01,-4.9737e-01],[ 1.7008,1.5946e-02,1.5110e+00]],
["CAM_FRONT_RIGHT ",[2.0603e-01,-2.0269e-01,6.8245e-01,-6.7136e-01],[ 1.5508,-4.9340e-01,1.4957e+00]],
["CAM_BACK_RIGHT  ",[1.2281e-01,-1.3240e-01,-7.0043e-01,6.9050e-01],[ 1.0149,-4.8057e-01,1.5624e+00]],
["CAM_BACK        ",[5.0379e-01,-4.9740e-01,-4.9419e-01,5.0455e-01],[ 0.0283,3.4514e-03,1.5791e+00]],
["CAM_BACK_LEFT   ",[6.9242e-01,-7.0316e-01,-1.1648e-01,1.1203e-01],[ 1.0357,4.8480e-01,1.5910e+00]],
["CAM_FRONT_LEFT  ",[6.7573e-01,-6.7363e-01,2.1214e-01,-2.1123e-01],[ 1.5239,4.9463e-01,1.5093e+00]]
]
"""
gen_bev_kdata_from_nuscenes_extrinsics(nuscenes_extrinsics_data)
with open("nuscenes_extrinsics.txt","r") as f:nuscenes_bev_kdata=np.array(eval(f.read()))    gen_bev_kdata_from_apollo_nuscenes_165()
with open("apollo_nuscenes_165.txt","r") as f:apollo_nuscenes_kdata=np.array(eval(f.read())) main(apollo_bev_kdata,"apollo_bev_kdata")
main(nuscenes_bev_kdata,"nuscenes_bev_kdata")  
main(apollo_nuscenes_kdata,"apollo_nuscenes_kdata")
EOF
\cp /opt/apollo/neo/share/modules/calibration/data/nuscenes_165/camera_params ./ -rf
python infer_camera_pos_by_extrinsics.py

数学原理：

  • 四元数 → 旋转矩阵：使用pyquaternion库转换
  • 相机位置计算：Cworld=−RT⋅TC_{world} = -R^T \cdot TCworld​=−RT⋅T
  • 最终得到4x4变换矩阵（包含旋转和平移）

可视化要素：

  • 坐标系：X(前/后), Y(左/右), Z(高/低)
  • 激光雷达：原点红色标记
  • 相机位置：不同颜色表示不同视角
  • 相机朝向：3D箭头指示拍摄方向

四、可视化对比

参考图片
请添加图片描述

1. NuScenes数据集外参
  • 特点：
    • 车辆朝向：标准前向（Y轴正方向）
    • 相机布局：六相机均匀分布
    • 位置对称性：左右相机位置精确对称

请添加图片描述

2. Apollo BEV模型外参
  • 特点：
    • 车辆朝向：非标准方向（约15度偏转）
    • 相机视角：六相机均匀分布

请添加图片描述

3. Apollo园区版外参
  • 特点：
    • 位置正确：相机位置符合车辆布局
    • 车辆朝向：朝向X轴,不合理,应该是Y轴
    • 朝向错误：所有相机均朝向前方（应为各方向）
    • 问题原因：可能是标定时未设置正确方向
    • 实际影响：导致侧面和后方视角失效

请添加图片描述

相机数据 (名称, 四元数(w,x,y,z), 位置(x,y,z))
["CAM_FRONT       ",[7.0511e-01,-1.7317e-03,-7.0910e-01,2.2896e-03],[-0.0159,1.7008e+00,1.5110e+00]],
["CAM_FRONT_RIGHT ",[6.1737e-01,3.3363e-01,-6.2890e-01,-3.3472e-01],[ 0.4934,1.5508e+00,1.4957e+00]],
["CAM_FRONT_LEFT  ",[6.2786e-01,-3.2765e-01,-6.2564e-01,3.2712e-01],[-0.4946,1.5239e+00,1.5093e+00]],
["CAM_BACK        ",[2.2658e-03,-7.0116e-01,5.7708e-04,7.1300e-01],[-0.0035,2.8326e-02,1.5791e+00]],
["CAM_BACK_LEFT   ",[4.0822e-01,-5.7804e-01,-4.1698e-01,5.7040e-01],[-0.4848,1.0357e+00,1.5910e+00]],
["CAM_BACK_RIGHT  ",[3.9507e-01,5.8460e-01,-4.0790e-01,-5.7947e-01],[ 0.4806,1.0149e+00,1.5624e+00]],

五、关键结论与应用

  1. 标定质量验证：

    • 理想情况：相机位置对称分布，高度一致（如NuScenes数据）
    • 危险信号：位置不对称、高度不一致、朝向错误

  2. 错误检测：

    • Apollo园区版外参存在严重朝向错误
    • 通过可视化可快速发现此类基础错误

通过这种可视化方法，即使非专业人员也能直观理解相机空间关系，快速发现标定中的重大错误，显著提高自动驾驶系统的可靠性。

http://www.dtcms.com/a/317508.html

相关文章：

  • ipv6学习
  • CVE-2020-24557
  • 【LayUI】数据表格监听事件
  • 界面规范的其他框架实现-列表-layui实现
  • 最新教程 | CentOS 7 下 MySQL 8 离线部署完整手册（含自动部署脚本）
  • 【后端】java 抽象类和接口的介绍和区别
  • PromptPilot 与豆包新模型：从图片到视频，解锁 AI 新玩法
  • 8.6笔记
  • JSON、JSONObject、JSONArray详细介绍及其应用方式
  • Day 33: 动手实现一个简单的 MLP
  • 如何快速掌握大数据技术？大四学生用Spark和Python构建直肠癌数据分析与可视化系统
  • 【python中级】关于Flask服务在同一系统里如何只被运行一次
  • DDoS 防护的未来趋势：AI 如何重塑安全行业？
  • 【历史人物】【范仲淹】简历与生平
  • 应急响应知识总结
  • 主流linux版本分类与说明
  • mysql死锁的常用解决办法
  • 【Linux系统】进程间通信：命名管道
  • Java SPI 机制初探｜得物技术
  • linux下的串口通信原理及编程实例
  • 二、Envoy静态配置
  • 时序预测（论文解读）-金融领域的滞后性
  • 客流特征识别准确率提升 29%：陌讯多模态融合算法在零售场景的实战解析
  • 【渲染流水线】[应用阶段]-[遮挡剔除]以UnityURP为例
  • NY112NY117美光固态闪存NY119NY123
  • 【Linux】重生之从零开始学习运维之主从MGR高可用
  • 在docker容器里面使用docker
  • 生成模型实战 | Transformer详解与实现
  • SQL的条件查询
  • 【Mysql】重生之从零开始学习运维之proxysql读写分离