传感器选型与标定：架构设计与工程实践

禅与计算机程序设计艺术

37人浏览 · 2026-11-08 02:56:26

禅与计算机程序设计艺术 · 2026-11-08 02:56:26 发布

传感器选型与标定：架构设计与工程实践

title: “传感器选型与标定：架构设计与工程实践”
authors: “DeepThink.ai”
affiliations: “AI Genius Institute”
keywords: “传感器选型；多传感器标定；可观测性；信息增益；时空同步；具身智能体；工程实践”

标题解释假设：本文将标题理解为“面向具身智能、自动驾驶与工业感知系统的多传感器选型与标定架构”，讨论相机、惯性测量单元（Inertial Measurement Unit, IMU）、激光雷达（Light Detection and Ranging, LiDAR）、全球导航卫星系统（Global Navigation Satellite System, GNSS）、轮速计等常见模态的组合设计与标定流程。本文不涉及具体器件型号采购、芯片级工艺或供应商商务条款；若读者只关心单一传感器，可将框架裁剪为对应子集。

论文定位：本文是架构与工程实践论文，不是某一标定算法的最优性证明。文中合成实验仅用于验证机制与暴露失效模式，不替代实机精度评测；所有需要硬件测量才能确认的指标均以 [TODO: 实机数据待补] 标注。

Abstract

具身智能、自动驾驶与工业检测系统依赖相机、惯性测量单元（Inertial Measurement Unit, IMU）、激光雷达（Light Detection and Ranging, LiDAR）等多模态传感器。传感器组合与标定质量共同决定感知信息上限，但工程上选型常由规格书驱动，标定常被当作一次性离线步骤，二者缺少统一的可观测性判据与生命周期闭环。本文提出 SCOPE（Sensor Configuration, Observability, and Calibration Pipeline Engineering）架构：配置层在成本、覆盖与可观测性约束下最大化信息增益，并给出贪婪近似保证；标定层将内参、外参、时间偏移与在线自标定组织为“离线—在线—现场”三层流水线；运行层监测标定漂移并支持版本回滚。合成数据实验验证了机制：K=4 时贪婪选型较随机选型将后验协方差迹降低 98.0%；40% 外点下随机采样一致性（Random Sample Consensus, RANSAC）相较最小二乘将中位旋转误差从 27.04° 降至 0.11°；静态场景下时间偏移不可观测，0.1 Hz 激励下中位误差为 0.5 ms。上述结果不代表实机精度，本文同时给出可复现的评测协议与工程检查表。

你离拥有一支永不停歇、持续进化的 AI 超级研发团队，只差一次 git clone——DeepThink 是 AI Genius Institute & 光剑AI 打造的开源、免费、可自由使用的私有 AI 操作系统（AI OS）：在安全隔离的沙箱中自主执行代码、管理文件、完成超复杂长程任务，作为自托管、多用户、本地优先的 AI Agent Loop Engineering 系统，支持桌面端+浏览器+移动端，让 DeepThink 成为你的全能数字助手；它不止让你使用 AI，更要让你从工具使用者进化为代码创造者，最终成长为可自我繁衍的超级智能体，让每家企业都拥有自己的 AI 超级研发团队，一起走向 AGI——现在就去 git clone，顺手点亮 Star：你收藏的不是一个仓库，而是通往 AGI 的入场券。🚀

DeepThink，开源企业级自主 Agent 超级智能体自进化平台，是从 Harness Engineering 到 Loop Engineering 范式的先行者，面向企业客户的新一代 AI 基础设施（AI Infra）。DeepThink 平台以多 Agent 协作框架为核心，融合 AI 自主编程（AI Coding）、自主进化（Self-Evolving）、全栈可观测性（Full-Stack Observability）、Bug 自修复闭环（Bug Auto-Fix Loop）与程序员-Agent 共生协作（Human-Agent Symbiosis），构建一个能持续学习、自我改进、最终成长为超级智能体的企业级 AI 系统。

DeepThink 项目开源代码（如果你觉得好玩，就一起来玩， Star 一下）：
Gitcode: https://gitcode.com/AIGeniusInstitute/deepthink
Github: https://github.com/AIGeniusInstitute/deepthink

1 Introduction

多传感器融合已经成为具身智能系统的基本工作方式。相机提供稠密纹理与语义信息，LiDAR 提供精确的几何与距离信息，IMU 提供高频运动先验，GNSS 与轮速计提供全局或局部约束。单一模态在光照变化、纹理缺失、雨雾、隧道、强反射或高速运动下都可能失效，多模态组合因此成为提升鲁棒性的主要手段。但“装上更多传感器”并不自动等于“获得更多信息”：如果传感器在状态空间中观察的是同一组方向，如果时间戳没有对齐，如果外参在装配后发生微小变化，那么多出来的数据可能只增加带宽与功耗，甚至把系统性偏差带入融合估计。

工程上最常见的两类失误分别发生在选型阶段与标定阶段。选型阶段常以分辨率、量程、帧率、接口和单价等规格书指标做横向比较，缺少对“这批传感器组合起来能观测哪些状态、在故障时是否仍可观测、标定需要多少工时与工装”的系统评估。标定阶段常把内参、外参和时间偏移分散到不同工具链，离线标定一次后长期不再复核；一旦支架热胀冷缩、镜头重新对焦、固件升级改变时间戳语义或车辆载荷改变结构形变，原有参数就可能缓慢失效。更麻烦的是，这类失效往往不会让系统立刻报错，而是以“偶发漂移”“局部重影”“长时间运行后定位退化”的形式出现，难以定位。

本文的核心观点是：传感器选型与标定不是前后衔接的两个独立工序，而是同一个信息设计问题的两个侧面。选型决定了可观测性的“结构”，标定决定了可观测性的“刻度”；选型时应把标定成本、标定不确定性与在线可观测性纳入目标函数，标定时应把选型阶段承诺的精度、时延与冗余指标作为验收条件。基于这一观点，本文提出 SCOPE 架构，用配置层、时间基与数据面、标定面、健康与可观测性监控层、配置治理层五个部分把设计、部署与运行串起来。

本文的贡献可以概括为四点。

形式化“选型—标定”联合问题：用信息矩阵描述候选传感器对状态估计的贡献，在成本、数量、模态覆盖与可观测性约束下定义选型目标，并说明该目标在什么条件下具有子模性、贪婪算法能给出什么级别的近似保证。
给出 SCOPE 分层架构：把传感器配置、时间同步、离线/在线标定、漂移监测、版本化配置与降级策略拆成可独立实现、可分别验收的工程接口。
汇总可复现的标定与监测方法：内参、外参、时间偏移、稳健估计、协方差评估与漂移检测分别给出适用条件、失效模式与工程检查点，而不是只列算法名称。
建立合成数据验证与实机评测协议：用固定种子的合成实验验证选型互补性、稳健标定和时间偏移可观测性，同时明确合成实验的边界；给出实机测试矩阵与待填指标，避免把仿真结论误当成硬件结论。

本文余下部分安排如下。第 2 节按技术流派梳理相关工作并说明差异；第 3 节给出问题形式化、SCOPE 架构、选型与标定模块、同步与监测机制以及理论性质；第 4 节报告合成实验、消融、失效分析与实机评测协议；第 5 节讨论适用边界、组织流程与伦理问题；第 6 节总结并给出可执行的未来工作。

2 Related Work

2.1 传感器选型与实验设计

传感器选型在信号处理与实验设计社区通常被表述为“从候选集合中选择子集，使某个信息准则最优”。Joshi 与 Boyd 将传感器选择写成凸优化问题，用行列式、迹或最大特征值等准则衡量估计协方差，并通过松弛与舍入获得近似解 [12]。Shamaiah 等指出，在独立观测假设下，行列式信息增益具有子模性，贪婪算法可以以较低复杂度获得接近最优的解 [13]。Krause 等在高斯过程监测场景中系统研究了互信息准则的子模性、懒惰评估与鲁棒扩展，并给出 (1−1/e) 级别的近似保证 [14]；Nemhauser 等的经典结果则为“单调子模函数在基数约束下的贪婪近似”提供了理论基础 [15]。这些工作说明，选型不应只比较单体指标，而应比较“组合后的信息”。

在机器人领域，选型问题常以可观测性、故障可检测性与任务覆盖率的形式出现，而不是显式的信息矩阵优化。现有工程实践倾向于用经验规则确定最小传感器集合，例如“至少两路异构定位源”“至少一个高频运动先验”“至少一个全局约束”。这些规则有效，但难以回答“再加一路低噪声相机是否比加一路 IMU 更有价值”“为了省成本去掉轮速计后，哪些运动模式下系统会退化”之类的问题。本文的差异在于：把选型目标与标定代价、标定不确定性、在线可观测性放在同一个约束体系内，并把“模态覆盖”和“故障后可观测性”作为硬约束，而不是事后检查。对具身智能体而言，传感器是 Agent 与物理世界交互的入口；选型阶段的错误会沿着感知—规划—控制链路放大，而不是只在定位模块内消化。

2.2 多传感器标定

多传感器标定可以按“是否需要标定物”“是否联合估计时间与空间参数”“是否在线更新”三个维度划分。靶标法以 Zhang 的平面棋盘格相机标定为代表，利用多姿态观测求解内参与外参 [1]；Zhang 与 Pless 将平面标定物同时用于相机与二维激光测距仪的联合约束，给出闭式初值与非线性 refinement [2]；Geiger 等用单次拍摄的棋盘格与激光点云实现相机—激光雷达的自动外参标定 [3]。这类方法精度高、可解释性强，适合出厂或维修场景，但依赖标定物、工装与人工操作，难以覆盖现场漂移。

无靶标方法利用场景中的边缘、平面、互信息或语义特征建立跨模态对应，适合在线或现场使用。其优势是不需要专门标定物，劣势是对场景结构、初始外参与特征质量敏感，且在退化场景（长走廊、空旷场地、重复纹理）中容易产生错误约束。综述类工作对相机—LiDAR 外参标定的显式对应与隐式对应方法进行了系统梳理，并指出该领域正从离线走向在线、从特定场景走向开放场景 [24]。

在时空联合标定方面，Furgale 等用连续时间基函数同时估计多传感器的时间偏移与空间变换，把时间偏移纳入最大似然框架，是离线联合标定的代表性工作 [4]。视觉—惯性方向，VINS-Mono 用紧耦合优化与预积分实现单目视觉惯性里程计，并支持外参在线估计 [6][10]；ORB-SLAM3 与 OpenVINS 分别在多地图视觉惯性和滤波式视觉惯性平台上提供在线标定能力 [7][8]；Yang 等对视觉惯性系统全参数在线自标定做了可观测性分析，指出全局偏航与位置不可观测，并识别出导致标定退化的运动基元 [9]。这些工作回答了“如何估”，但没有回答“何时该标、标到什么程度、标定结果如何进入配置治理”。本文不提出新的标定求解器，而是把已有求解器组织成可验收、可追溯、可回滚的流水线，并强调激励设计对可观测性的决定作用。

2.3 时间同步、健康监测与工程体系

时间同步是多传感器系统的隐形基础设施。IEEE 1588 精确时间协议（Precision Time Protocol, PTP）为网络化测量与控制系统提供了亚微秒级同步的框架 [21]，但协议支持不等于端到端正确：传感器内部曝光时刻、硬件触发时刻、主机接收时刻和驱动打戳时刻可能属于不同时间域；操作系统调度、USB/以太网缓冲与无线链路会引入非确定延迟。工程上必须把“时间戳语义”作为接口契约的一部分，而不是假定所有驱动都返回同一含义的时间。

健康监测方面，Willsky 的综述系统总结了动态系统故障检测的设计方法 [18]，Bar-Shalom 等则给出了基于新息与协方差的门限、关联与滤波一致性工具 [19]。在多传感器系统中，新息归一化平方（Normalized Innovation Squared, NIS）、累积和（Cumulative Sum, CUSUM）与跨传感器一致性检验是三类常用手段。它们能发现“传感器坏了”“外参变了”“时间戳偏了”等不同故障，但需要与标定参数、协方差和运动状态联合解释，否则容易把正常的高动态运动误判为故障。本文把这些检验放进标定生命周期，用同一套残差与协方差来源驱动“继续运行、降级、重标定、停机”四类动作。

2.4 与本文工作的差异

与传感器选择文献相比，本文不追求更紧的近似比或更大规模的组合优化，而是把选型与标定代价、可观测性约束和运行期监测连接起来，强调“选得对”必须同时意味着“标得起、守得住”。与标定算法文献相比，本文不提出新的连续时间优化器或在线滤波器，而是给出分层架构、验收指标、失效模式与配置治理方法，并用合成实验说明关键机制。与工程实践文章相比，本文尽量把经验规则写成可检验的假设与可复现的实验协议，明确哪些结论来自合成数据、哪些仍需实机验证。这样的定位使本文成为一篇“架构与工程方法”论文，而不是一篇宣称全面超越现有方法的算法论文。

3 Method

3.1 Problem Formulation

设系统包含 $N$ 个候选传感器，候选集合记为 $\mathcal{V}=\{1,\dots,N\}$ 。选型变量为 $s_i\in\{0,1\}$ ，其中 $s_i=1$ 表示传感器 $i$ 被选入最终配置，选中集合记为 $S=\{i\mid s_i=1\}$ 。系统在时刻 $t$ 的状态记为 $x (t)$ ，包括位姿、速度、传感器偏置等需要被估计的量；标定参数记为 $\theta$ ，包括各传感器内参、传感器到机体的外参、传感器之间的时间偏移以及安装角误差等。传感器 $i$ 的测量模型写为

$z_i(t)=h_i\bigl(x(t+\delta t_i),\theta_i\bigr)+n_i(t),$

其中 $h_i(\cdot)$ 是已知测量函数， $\delta t_i$ 是传感器 $i$ 相对于统一时间基的时间偏移， $n_i(t)$ 是测量噪声。本文假设噪声零均值、近似高斯，协方差为 $\Sigma_i$ ；在存在外点或非高斯噪声时，用稳健损失替代二次损失。外参用特殊欧氏群 $S E (3)$ 上的刚体变换 $T_{S_i}^{B}\in SE(3)$ 表示，它把传感器坐标系 $S_i$ 中的点变换到机体坐标系 $B$ ：

$p^{B}=R_{S_i}^{B}p^{S_i}+t_{S_i}^{B}.$

给定标定数据集 $\mathcal{D}=\{(t_k,z_{i,k})\mid i\in S,\ k=1,\dots,M\}$ ，联合标定与状态估计可以写成如下最大后验（Maximum A Posteriori, MAP）问题：

$\hat\theta,\hat{\mathcal{X}} =\arg\min_{\theta,\mathcal{X}} \sum_{i\in S}\sum_{k=1}^{M} \rho\left(\left\|z_{i,k}-h_i\bigl(x_k,\theta_i\bigr)\right\|_{\Sigma_i^{-1}}\right) +\left\|\theta-\theta_0\right\|_{\Sigma_0^{-1}}^{2} +\sum_{k=1}^{M}\left\|x_k-\bar x_k\right\|_{\Sigma_x^{-1}}^{2},$

其中 $\mathcal{X}=\{x_1,\dots,x_M\}$ ， $\theta_0$ 与 $\Sigma_0$ 是标定参数的先验均值与协方差， $\bar x_k$ 与 $\Sigma_x$ 是状态先验， $\rho(\cdot)$ 是稳健损失函数。当 $\rho(e)=e^2/2$ 时，上式退化为高斯假设下的非线性最小二乘。

在局部线性化点附近，标定参数的信息矩阵为

$J(\theta)=\sum_{i\in S}\sum_{k=1}^{M} J_{i,k}^{\top}\Sigma_i^{-1}J_{i,k}, \qquad J_{i,k}=\frac{\partial h_i\bigl(x_k,\theta_i\bigr)}{\partial\theta}.$

若估计器无偏且正则条件满足，则估计协方差满足 Cramér–Rao 下界（Cramér–Rao Lower Bound, CRLB）：

$\operatorname{Cov}(\hat\theta)\succeq J(\theta)^{-1}.$

实际工程中，状态 $x_k$ 往往也是未知的，因此更合理的做法是对冗余状态做 Schur 补，得到只关于标定参数的有效信息矩阵：

$J_{\text{eff}} =J_{\theta\theta}-J_{\theta x}J_{xx}^{-1}J_{x\theta}.$

$J_{\text{eff}}$ 的秩、条件数与特征值分布比 $J(\theta)$ 更适合回答“在当前运动与场景下，这组标定参数是否可观测”。这一点在 3.7 节会进一步展开。

选型的核心不是让每个传感器单独最优，而是让组合后的有效信息在约束下最大。本文采用如下基准形式：

$\max_{s\in\{0,1\}^{N}} \log\det\left(J_0+\sum_{i=1}^{N}s_iJ_i\right)$

$\text{s.t.}\quad \sum_{i=1}^{N}c_i s_i\le B,\qquad \sum_{i=1}^{N}s_i\le K,\qquad s\in\mathcal{C}_{\text{cov}},\qquad s\in\mathcal{C}_{\text{obs}},\qquad s\in\mathcal{C}_{\text{red}}.$

其中 $J_0$ 是先验信息或已有传感器提供的信息， $J_i$ 是候选传感器 $i$ 在标定参数与任务状态上的信息贡献， $c_i$ 是综合成本（采购、功耗、安装空间、标定工时、维护）， $B$ 是预算， $K$ 是数量上限。 $\mathcal{C}_{\text{cov}}$ 要求关键状态被至少一种模态覆盖， $\mathcal{C}_{\text{obs}}$ 要求选定集合的有效信息矩阵满秩且条件数低于阈值， $\mathcal{C}_{\text{red}}$ 要求移除任意一个传感器后系统仍保持最低可观测性。后三个约束把“安全”和“可标定”从软偏好变成硬门槛。

当环境、载荷、温度或故障模式变化时，单一标称信息矩阵不足以描述风险。本文进一步定义场景集合 $\mathcal{M}$ （例如白天/夜间、空载/满载、常温/高温、单传感器故障），并采用鲁棒选型形式：

$\max_{s\in\{0,1\}^{N}} \min_{m\in\mathcal{M}} \log\det\left(J_0+\sum_{i=1}^{N}s_iJ_i^{(m)}\right),$

约束同上。该形式不保证子模性，因此 3.3 节的贪婪算法只作为启发式使用；若场景数较少，可以用枚举、分支定界或混合整数规划求精确解。工程上更常用的折中是“标称信息 + 最坏场景惩罚”的加权目标，其权重由安全等级与任务剖面决定。

本文的分析基于以下假设。

A1（刚性安装）：在一次标定窗口内，传感器之间的相对位姿不随时间变化；支架柔性、热形变与振动引起的偏差被建模为慢漂移或噪声。
A2（噪声模型可近似）：测量噪声零均值，协方差可在标定集上估计；外点比例有限且可用稳健损失处理。
A3（时间基可对齐）：存在统一时间基，初始时间偏移在一个已知的有限范围内；偏移量相对运动时间尺度较小。
A4（激励充分）：标定运动能够激发待标定参数对应的可观测方向；若激励不足，算法应报告退化而不是给出“看起来收敛”的结果。
A5（模型已知）：相机投影模型、IMU 力学模型、LiDAR 测距模型与安装结构在标定期间已知；模型误差被纳入残差与协方差。
A6（成本可量化）：采购、功耗、安装、标定与维护成本可以折算为统一预算；无法量化的因素通过约束或人工评审处理。

这些假设在实验室台架上通常成立，在量产现场则可能被违反。SCOPE 的设计原则之一是让违反假设的情况显式暴露：通过可观测性检查、残差检验与配置审计，而不是让算法在退化数据上静默地产生错误参数。

表 1 主要符号说明

符号	含义	备注
$\mathcal{V}$	候选传感器集合	共 $N$ 个
$S$	被选中的传感器集合	$S\subseteq\mathcal{V}$
$s_i$	选型变量	0/1
$x (t)$	系统状态	位姿、速度、偏置等
$\theta$	标定参数	内参、外参、时间偏移
$z_i(t)$	传感器 $i$ 的测量	含噪声
$h_i(\cdot)$	测量函数	已知模型
$\Sigma_i$	测量噪声协方差	可随温度/量程变化
$J_i$	传感器 $i$ 的信息矩阵	局部线性化
$J_{\text{eff}}$	边缘化后的有效信息	Schur 补
$c_i$	综合成本	采购、功耗、标定、维护
$B$	成本预算	由项目定义
$K$	传感器数量上限	由空间/接口/功耗定义
$\delta t_i$	时间偏移	相对于统一时间基
$\rho(\cdot)$	稳健损失	Huber、GNC 等

3.2 SCOPE Framework Overview

SCOPE 把系统分为五层：需求与运行设计域（Operational Design Domain, ODD）层、传感器配置层、时间基与数据面、标定面、健康与可观测性监控层，外加贯穿全生命周期的配置治理。图 1 给出整体架构。需求层把任务精度、时延、鲁棒性、安全等级、成本与法规约束翻译成可计算的指标；配置层据此选择传感器组合，并把“需要哪些标定参数、以什么频率标定、标定不确定度上限是多少”写成标定需求；时间基与数据面负责统一时间戳、缓存、丢包策略与数据质量标记；标定面负责内参、外参、时间偏移、在线自标定与验证；监控层用残差、条件数与跨传感器一致性判断标定是否仍然有效；配置治理层负责版本、追溯、回滚与车队一致性。

┌─────────────────────────────────────────────────────────────┐
│ 需求与 ODD 层：精度 / 时延 / 鲁棒性 / 成本 / 安全 / 法规        │
└───────────────┬─────────────────────────────────────────────┘
                │ 指标分解
┌───────────────▼─────────────────────────────────────────────┐
│ 配置层：候选传感器池 → 信息增益 / 覆盖 / 冗余 / 成本 → 选型     │
└───────┬───────────────────────────────┬─────────────────────┘
        │ 硬件配置                       │ 标定需求
┌───────▼───────────────┐       ┌───────▼─────────────────────┐
│ 时间基与数据面         │       │ 标定面                       │
│ PTP/触发/时间戳/缓存   │◄─────►│ 内参/外参/时延/在线/验证      │
└───────┬───────────────┘       └───────┬─────────────────────┘
        │ 同步数据                       │ 参数 + 协方差
┌───────▼───────────────────────────────▼─────────────────────┐
│ 健康与可观测性监控：NIS / CUSUM / 条件数 / 跨传感器一致性       │
└───────────────┬─────────────────────────────────────────────┘
                │ 告警 / 触发重标定 / 降级
┌───────────────▼─────────────────────────────────────────────┐
│ 配置管理与 OTA：版本 / 追溯 / 回滚 / 车队一致性                │
└───────────────┬─────────────────────────────────────────────┘
                │ 标定参数
┌───────────────▼─────────────────────────────────────────────┐
│ 感知与决策应用：融合 / 定位 / 规划 / 控制                      │
└─────────────────────────────────────────────────────────────┘

图 1 SCOPE 分层架构。 配置层与标定面通过“标定需求”和“参数协方差”双向耦合；监控层决定何时进入重标定或降级；配置治理层保证每次参数变化可追溯、可回滚。

SCOPE 的五条设计原则如下。

信息优先，而非数量优先。 选型指标以组合后的有效信息为主，规格书指标只作为约束或先验。
可观测性由构造保证。 选型阶段就检查满秩、条件数与故障后可观测性，而不是等标定失败后再补传感器。
标定是生命周期过程。 出厂标定、在线自标定与现场重标定各有职责，不能用一次离线标定覆盖全部工况。
每个参数都可追溯。 每个标定结果都绑定传感器序列号、固件版本、支架状态、温度、标定程序版本与验证指标。
失效可降级。 当标定漂移或传感器故障时，系统应能切换到保守模式，而不是继续输出高置信度错误结果。

层与层之间用四类接口契约连接：配置描述（传感器清单、安装位姿、量程、时间戳语义）、时间契约（时间域、触发方式、延迟分布）、标定包（参数、协方差、验证报告、适用工况）、健康指标（残差统计、条件数、告警等级）。这四类契约是工程落地时最容易被忽略、也最容易造成跨团队返工的部分。

3.3 Sensor Selection Module

3.3.1 选型准则

传感器选型不能只看分辨率与价格。表 2 给出一组工程上可操作的准则。表中不填具体数值，是因为不同项目的权重差异很大；建议在项目启动时把每项准则转成可验证的证据，例如数据手册、台架测试、失效模式与影响分析（Failure Mode and Effects Analysis, FMEA）记录，而不是停留在主观评分。

表 2 传感器选型准则与工程证据

准则	关键问题	建议证据	忽略后的典型后果
测量原理	观测的是状态还是状态的导数/积分？	物理模型、量纲分析	看似冗余，实际不可互相校验
状态覆盖	关键状态是否被至少一种模态直接约束？	信息矩阵秩与条件数	某些方向只能靠先验，长时间漂移
精度与分辨率	误差是否落在任务预算内？	台架真值、误差预算表	融合后仍无法满足定位/检测指标
量程与动态范围	极端工况是否饱和？	饱和测试、过载恢复测试	高动态场景输出截断，滤波器发散
带宽与延迟	是否满足控制/感知闭环？	延迟分布、抖动统计	估计滞后，闭环不稳定
环境鲁棒性	光照、雨雾、强反射、温度、振动下是否可用？	环境舱、外场测试	实验室可用，现场频繁失效
时间接口	是否支持硬件触发/PTP？时间戳语义是否明确？	驱动文档、示波器测量	多传感器数据错位，标定无法收敛
冗余与异构性	故障时是否仍有独立观测？	故障注入、可观测性分析	单点故障导致系统不可用
标定负担	需要什么工装、多少工时、多久复标？	标定流程卡、工时记录	选型便宜，生命周期成本高
成本与供应链	单价、功耗、接口、交期、替代料？	物料清单（Bill of Materials, BOM）、供应风险评估	样机可行，量产受限
安装与维护	空间、清洁、防拆、可更换性？	结构评审、维护手册	镜头易脏、拆卸后需重标
法规与隐私	是否涉及数据合规、出口管制、功能安全？	合规清单、认证计划	后期整改，延误上市

3.3.2 信息矩阵与贪婪选择

对每个候选传感器 $i$ ，在标称工作点附近计算信息矩阵 $J_i$ 。若测量模型非线性强，或者标定参数存在较大先验不确定性，可用蒙特卡洛采样估计期望信息：

$\bar J_i=\mathbb{E}_{\theta\sim p(\theta)}\left[J_i(\theta)\right].$

对视觉惯性系统， $J_i$ 需要同时包含位姿、速度、偏置与标定参数；对纯几何标定， $J_i$ 只包含待标定参数。无论哪种情况，选型目标都可以写成 3.1 节的 $\log\det$ 形式。采用行列式而不是迹或最大特征值，是因为行列式同时惩罚所有方向的方差，且对正定矩阵具有良好的组合性质；若任务只关心最坏方向，可改用 $\max$ 特征值或条件数约束。

算法 1 成本约束下的贪婪信息选型

输入：候选集合 V，信息矩阵 {J_i}，成本 {c_i}，预算 B，数量上限 K，
      先验信息 J0，覆盖约束 C_cov，可观测性约束 C_obs，冗余约束 C_red
输出：选中集合 S

S ← ∅
J ← J0
while |S| < K:
    best_gain ← -∞
    best_i ← none
    for i in V \ S:
        if S ∪ {i} 不满足 C_cov / C_obs / C_red: continue
        if cost(S) + c_i > B: continue
        gain ← logdet(J + J_i) - logdet(J)
        score ← gain / c_i
        if score > best_gain:
            best_gain ← score
            best_i ← i
    if best_i = none: break
    S ← S ∪ {best_i}
    J ← J + J_best_i
return S

在基数约束（ $c_i=1$ 、 $B = K$ ）下，若 $f(S)=\log\det(J_0+\sum_{i\in S}J_i)$ 单调且子模，则按绝对增益贪婪选出的集合 $S_g$ 满足

$f(S_g)\ge\left(1-\frac{1}{e}\right)f(S^{*}),$

其中 $S^{*}$ 是最优集合 [15]。在预算约束下，按“增益/成本”比贪婪是常用启发式，但不自动继承该保证；若项目需要严格保证，可对预算做拉格朗日松弛、枚举小规模组合，或用整数规划求解。工程上更重要的是约束检查与场景覆盖，而不是追求最后一个百分点的信息增益。

命题 1（信息增益的子模性） 设 $J_i\succeq 0$ ， $J_0\succ0$ ，定义 $f(S)=\log\det(J_0+\sum_{i\in S}J_i)$ 。则 $f$ 在 $2^{\mathcal{V}}$ 上单调、子模。

证明要点： $\log\det$ 在正定矩阵锥上是凹函数；对任意 $A\succ0$ 与 $B\succeq0$ ，映射 $B\mapsto\log\det(A+B)$ 是单调且凹的。把集合函数写成矩阵线性组合的复合，利用凹性与单调性可得增量随集合增大而减小，即

$f(S\cup\{i\})-f(S)\ge f(T\cup\{i\})-f(T),\qquad S\subseteq T,\ i\notin T.$

这正是子模性的定义。 $\square$

需要注意，若使用鲁棒目标 $\min_{m}\log\det(\cdot)$ ，或者把标定成本以非加性方式放进目标，子模性可能不成立。此时算法 1 仍是可解释的启发式，但不应宣称近似保证。

3.3.3 标定感知的选型

同样的标称信息，可能对应完全不同的标定代价。一个低噪声、高帧率的相机若需要专用标定间、精密转台与长时间温漂测试，其生命周期成本可能高于一个精度稍低但即插即用的传感器。为此，本文在选型阶段引入标定感知的效用：

$U(S)=\log\det\left(J_0+\sum_{i\in S}J_i\right) -\lambda_C\frac{C(S)}{C_0} -\lambda_Q\frac{Q(S)}{Q_0} -\lambda_R\frac{R(S)}{R_0},$

其中 $C (S)$ 是采购与集成成本， $Q (S)$ 是标定与维护工时， $R (S)$ 是残余风险（例如故障后不可观测的概率）， $C_0,Q_0,R_0$ 是归一化常数， $\lambda$ 是权重。该效用是工程决策工具，不是物理量；权重应由安全、成本与运维团队共同确定，并记录在配置决策文件中。

更严格的做法是把标定参数的不确定性纳入信息矩阵。对候选传感器 $i$ ，用先验 $\theta_i\sim\mathcal{N}(\bar\theta_i,\Sigma_{\theta_i})$ 对 $J_i$ 做期望，得到 $\bar J_i$ ；若某个传感器的标定先验很宽，它的期望信息会下降，从而在选型中被自动降权。这比在选型后再补一句“该传感器难标”更接近真实决策。

3.3.4 覆盖、冗余与故障后可观测性

工程上建议至少设置三层约束。

模态覆盖：对安全关键状态（例如横向位置、航向、速度），要求至少两种独立测量原理。相机与 LiDAR 都观测几何，但在纹理/结构退化时失效模式不同；相机与轮速计的原理差异更大，互补性更强。
故障后可观测：对每个传感器 $i$ ，检查 $S\setminus\{i\}$ 的有效信息矩阵是否仍满足最低秩与条件数要求。若移除某传感器后系统立刻不可观测，则该传感器是单点故障，需要增加冗余或降低安全等级。
场景覆盖：在夜间、逆光、雨雾、隧道、空旷场地、强反射等场景下分别计算信息矩阵，要求最坏场景仍满足任务指标。若无法覆盖全部场景，应明确降级策略与运行限制。

这些约束会把“多装一个传感器”从成本项变成安全项，也会阻止“为了通过预算评审而删掉唯一全局约束”的短视决策。

3.4 Calibration Architecture

3.4.1 三层标定流水线

SCOPE 把标定分为三层：出厂/离线标定（T0）、在线自标定（T1）与现场/生命周期标定（T2）。三层共享同一套参数定义、协方差表示与验证指标，但触发条件、求解器与验收标准不同。表 3 给出职责划分。

表 3 三层标定流水线的职责

层级	触发时机	主要参数	常用方法	输出	验收重点
T0 出厂/离线	新装、维修、更换传感器、结构改动	相机内参、IMU 内参、外参、初始时间偏移	靶标法、连续时间批量优化、多位置 IMU 标定	参数 + 协方差 + 报告	精度、可重复性、留出验证
T1 在线自标定	每次运行或周期性	外参微调、时间偏移、IMU 偏置	滤波/滑动窗口状态增广、在线优化	参数更新 + 置信度	一致性、收敛性、可观测性
T2 现场/生命周期	健康指标超阈、碰撞/拆卸、环境剧变	外参、时间偏移、部分内参	现场靶标、无靶标、跨传感器一致性	新版本标定包	漂移是否真实、重标后是否改善

T0 的目标是给出高精度、低不确定度的初始参数；T1 的目标是在运行中跟踪缓慢变化，但不应在没有激励时强行更新；T2 的目标是判断“是否真的需要重标”，并给出可追溯的维修记录。三层之间通过参数版本与协方差传递，而不是互相覆盖。

3.4.2 内参标定

相机内参包括焦距、主点、畸变系数与可能的卷帘快门参数。张正友的平面标定法用多姿态棋盘格求解单应矩阵，再分解出内参与外参，是非专业设备上最常用的方法 [1]；更完整的多视图几何模型与退化条件见 Hartley 与 Zisserman [25]。工程上需要注意：标定时的对焦距离与光圈应与工作状态一致；变焦镜头必须锁定；卷帘快门在高速运动下会引入额外畸变，需要单独建模或限制运动速度；温度变化会改变镜头座与传感器相对位置，必要时做温度相关标定。

IMU 内参包括三轴零偏、尺度因子、轴间非正交误差与噪声参数。Tedaldi 等提出的无外部设备多位置法，利用静止区间重力方向约束先标加速度计，再用数值积分标陀螺仪，适合低成本微机电系统（Micro-Electro-Mechanical Systems, MEMS）IMU [5]；四元数与误差状态更新的流形处理可参考 Sola [11]。噪声密度与随机游走系数可通过 Allan 方差或静态长时记录估计；温度漂移需要通过温箱或长时间运行数据建模。IMU 内参标定的一个常见误区是只标零偏、不标尺度与轴间误差；在低成本器件上，后两者可能比零偏更影响长时积分。

LiDAR 内参通常由厂商提供，但多线束 LiDAR 的垂直角、水平角偏移与测距偏差会随批次变化。工程上可用墙面、地面或专用靶标做验证；若没有内参调整接口，至少应把测距偏差纳入外参标定的残差模型，避免把系统性距离误差误判为外参误差。

3.4.3 外参标定

外参标定分为靶标法、无靶标法与在线法。靶标法用已知几何的标定物建立跨传感器对应，闭式求解初值后用非线性优化 refinement。Zhang 与 Pless 用平面棋盘格同时约束相机与二维激光测距仪，Geiger 等用单次拍摄的棋盘格与激光点云实现相机—LiDAR 自动标定 [2][3]。靶标法的关键是姿态多样性：所有标定板都正对相机、或所有点云都落在同一平面，会导致某些方向不可观测；应让标定物覆盖图像边缘、不同深度与不同倾角。

无靶标法利用自然场景中的边缘、平面、互信息或语义特征。它适合现场重标，但需要可靠的初始外参与退化检测。工程上建议把无靶标结果当作“候选更新”，只有在跨传感器一致性、留出验证与健康指标同时改善时才接受，而不是每次运行都覆盖出厂参数。

在线法把外参作为状态的一部分，在滤波或滑动窗口优化中估计。VINS-Mono、ORB-SLAM3 与 OpenVINS 都提供了不同形式的在线标定能力 [6][7][8]；Yang 等进一步分析了全参数在线标定的可观测性与退化运动 [9]。在线法的优势是能跟踪慢漂移，劣势是把标定误差与状态估计误差耦合在一起：如果运动激励不足，滤波器可能把状态误差吸收到外参里，产生“参数在动、精度没变好”的假象。因此在线法必须配合可观测性检查与参数先验，不能无条件放开所有自由度。

3.4.4 时间偏移标定

时间偏移 $\delta t_i$ 可以看作一个特殊的外参：它不改变空间坐标，却改变测量对应的运动状态。若传感器 $i$ 的时间戳比真实时刻晚 $\delta t_i$ ，则在匀速假设下位置误差近似为 $v\delta t_i$ ，姿态误差近似为 $\omega\delta t_i$ 。因此时间偏移的标定精度要求与运动速度直接相关：高速运动下，1 ms 的偏移可能对应厘米级位置误差；低速静止时，同样的偏移几乎不可观测。

时间偏移的估计方法包括硬件同步、基于运动相关性的互相关、连续时间批量优化与在线状态增广。硬件同步（共享触发、PTP、gPTP）通常应作为第一选择，因为软件估计无法弥补丢触发与不确定延迟。只有在硬件同步不可用时，才用软件方法估计残余偏移，并把估计协方差写入标定包。

3.4.5 稳健估计与外点处理

标定数据中常见外点：棋盘格角点误检、LiDAR 点云中的动态物体、相机与 LiDAR 视场不完全重叠、标定板反光、IMU 静止区间误判。普通最小二乘对外点非常敏感，一个错误对应就可能把外参拉偏。本文建议至少使用以下一种稳健机制，并在报告中记录外点比例与处理策略。

Huber / 迭代重加权最小二乘（Iteratively Reweighted Least Squares, IRLS）：对中等残差降权，保留高斯噪声下的效率；Huber 损失定义为

$\rho_\delta(e)= \begin{cases} \dfrac{1}{2}e^{2}, & |e|\le\delta,\\[4pt] \delta\left(|e|-\dfrac{1}{2}\delta\right), & |e|>\delta, \end{cases}$

其 IRLS 权重为 $w(e)=\min(1,\delta/|e|)$ 。Huber 适合外点比例不高、外点残差有限的场景 [16]；稳健回归的统计性质与诊断方法可参考 Rousseeuw 与 Leroy [28]。

RANSAC：随机抽取最小样本集拟合模型，按内点阈值投票，再用内点集重估。Fischler 与 Bolles 的原始工作给出了该框架 [17]；在最小样本数为 $s$ 、内点比例为 $w$ 时，达到成功概率 $p$ 所需的最少迭代次数约为

$N_{\text{iter}}\ge \frac{\log(1-p)}{\log(1-w^{s})}.$

RANSAC 适合外点比例高、外点残差大的场景，但阈值选择会显著影响结果。

渐进非凸（Graduated Non-Convexity, GNC）：从平滑的稳健核逐渐过渡到强截断核，避免一开始就陷入局部极小。GNC 适合初始化较差或外点比例很高的标定问题；实现上需要仔细设置退火 schedule。

工程上不建议只报告“用了 RANSAC”，而不报告内点比例、阈值、迭代次数与最终残差分布。否则读者无法判断结果是真的稳健，还是只是把困难样本删掉了。

3.4.6 不确定度与验证

标定结果必须带不确定度，否则下游融合无法正确加权。协方差可以从非线性最小二乘的 Hessian 近似得到：

$\hat\Sigma_\theta\approx \left(J^{\top}\Sigma_z^{-1}J\right)^{-1},$

其中 $J$ 是全部残差对参数的雅可比， $\Sigma_z$ 是测量协方差。若残差存在相关性或模型误差，Hessian 近似会低估不确定度；此时可用 bootstrap、分块交叉验证或残差重采样估计。对于在线标定，协方差还应包含过程噪声与先验影响，不能只取当前窗口的局部 Hessian。

验证指标应覆盖“拟合得好”和“泛化得好”两类。拟合指标包括重投影误差、点到面距离、IMU 预积分残差；泛化指标包括留出序列上的位姿误差、跨传感器一致性、闭环误差与下游任务指标。表 4 给出一组建议指标与待填目标值；具体阈值必须由项目精度预算决定，本文不虚构通用数值。

表 4 标定验证指标（目标值待项目定义）

层级	指标	计算方式	建议用途	目标值
相机内参	重投影均方根误差	留出棋盘格角点的重投影误差	检查畸变模型是否充分	`[TODO: 按像素预算填写]`
相机—LiDAR	点到面距离	点云投影到图像边缘/平面后的距离	检查外参与时间同步	`[TODO: 按测距预算填写]`
视觉—惯性	预积分残差	滑动窗口内的 IMU 预积分与视觉位姿残差	检查外参、时延与偏置	`[TODO: 按姿态/位置预算填写]`
轨迹级	相对位姿误差	固定长度轨迹段的平移/旋转误差	检查长期一致性	`[TODO: 按任务填写]`
在线标定	参数漂移	参数滑动标准差 / 先验标准差	判断是否过拟合	`[TODO: 按参数定义]`
健康监测	NIS 超阈比例	卡方检验下的异常比例	判断协方差是否可信	`[TODO: 按置信水平填写]`

3.4.7 标定生命周期与配置治理

标定不是“标一次、存文件”的动作，而是一个有状态的生命周期。图 2 给出简化状态机。每次标定产生一个不可变的标定包，包含参数、协方差、验证指标、数据摘要、工装编号、温度、操作者、软件版本与适用工况。任何机械拆卸、镜头对焦、固件升级、支架更换或碰撞事件都应触发“待复核”状态；复核可以是离线验证，也可以是现场短流程重标。若新标定包在留出验证与健康指标上不优于旧包，应拒绝更新并保留旧版本。

┌──────────┐  新装/维修  ┌──────────┐  验证通过  ┌──────────┐  健康超阈  ┌──────────┐
│ 设计选型  ├───────────►│ T0 离线标定├──────────►│ T1 在线运行├──────────►│ T2 现场重标│
└──────────┘             └────┬─────┘            └──────────┘            └────┬─────┘
                              │ 验证失败                                     │ 通过
                              ▼                                              ▼
                         ┌──────────┐                                  ┌──────────┐
                         │ 返修/重标 │                                  │ 版本固化  │
                         └──────────┘                                  └──────────┘

图 2 标定生命周期状态机。 T0 给出初始参数，T1 在运行中跟踪慢漂移，T2 在健康指标超阈或结构变更后触发；任何更新都必须通过留出验证并保留旧版本以便回滚。

配置治理至少应包含：参数版本号、父版本、变更原因、影响范围、回滚包、签名与访问控制。对车队系统，还需要空中下载（Over-the-Air, OTA）的灰度发布与一致性审计：先在一小部分设备上验证新标定包，再逐步扩大；若某个设备的重标结果与同批次设备差异过大，应优先怀疑硬件或工装问题，而不是直接把参数推给全车队。

3.5 Time Synchronization and Data Plane

时间同步是多传感器标定的前提。图 3 给出一个典型的端到端时间链：传感器在曝光/采样时刻产生事件，硬件触发或内部时钟打戳，数据经过总线/网络到达主机，驱动或中间件再次打戳。若把“到达主机的时间”当作“采样时间”，就会把传输延迟、排队延迟与调度抖动混入时间偏移，导致标定结果随负载变化。

传感器采样:   ●──────●──────●──────●──────► 真实时间
              │      │      │      │
硬件触发:     t1     t2     t3     t4
              │      │      │      │
传输/排队:    +Δ1    +Δ2    +Δ3    +Δ4
              │      │      │      │
主机接收:     t1+Δ1  t2+Δ2  t3+Δ3  t4+Δ4
              └──── 需要区分“采样时刻”与“接收时刻” ────┘

图 3 端到端时间链。 标定应使用采样时刻或硬件触发时刻；主机接收时刻只能作为兜底，并需要估计与补偿传输延迟。

工程上建议把时间契约写成以下字段：时间域（传感器时钟/主机单调时钟/PTP 时钟）、时间戳含义（曝光开始/曝光中心/采样完成/数据就绪）、单位与纪元、触发方式（自由运行/硬件触发/软件触发）、典型延迟与尾部延迟、丢帧策略。任何字段变化都应视为接口变更，需要重新验证时间偏移。

时间偏移对几何量的影响可以用一阶界估计。若最大线速度为 $v_{\max}$ ，最大角速度为 $\omega_{\max}$ ，时间偏移为 $\delta t$ ，则位置与姿态误差满足

$\|\Delta p\|\le v_{\max}|\delta t|, \qquad \|\Delta \psi\|\le \omega_{\max}|\delta t|.$

因此，若位置误差预算为 $\epsilon_p$ ，则时间同步精度至少应满足

$|\delta t|\le \frac{\epsilon_p}{v_{\max}}.$

例如 $v_{\max}=10\ \text{m/s}$ 、 $\epsilon_p=0.01\ \text{m}$ 时，要求 $|\delta t|\le1\ \text{ms}$ 。这只是必要条件，不是充分条件；姿态误差、角点匹配误差与外参误差会叠加。工程上应把时间同步误差纳入完整误差预算，而不是单独追求“微秒级”而忽略其他误差源。

数据面还应处理乱序、丢包与背压。建议为每帧数据分配单调递增序号与采集时间戳，在融合前按时间戳排序；对超过时间窗的迟到数据，要么丢弃并标记，要么进入离线标定缓存，不能悄悄插入已经更新过的滤波器。对安全关键系统，丢帧与迟到率应作为健康指标上报，而不是只写日志。

3.6 Health Monitoring and Drift Detection

标定漂移的困难在于它通常很慢，且会被状态估计器部分吸收。若只看最终位姿误差，可能直到系统失效才发现问题。SCOPE 在标定面之外设置独立的健康监控，用三类统计量尽早发现异常。概率机器人中的滤波、数据关联与一致性检验可参考 Thrun 等 [26]，状态估计在流形上的处理可参考 Barfoot [27]。

新息一致性。 对卡尔曼类滤波器，新息 $r_k=z_k-H_k\hat x_{k|k-1}$ 在模型与协方差一致时应满足 $r_k\sim\mathcal{N}(0,S_k)$ ，其中 $S_k=H_kP_{k|k-1}H_k^{\top}+R_k$ 。归一化新息平方为

$\epsilon_k=r_k^{\top}S_k^{-1}r_k.$

在一致假设下 $\epsilon_k\sim\chi^2_m$ ， $m$ 是测量维数。若超阈比例显著高于置信水平，说明噪声协方差、外参或时间戳至少有一项与模型不符 [19]。NIS 的优点是计算便宜、可在线运行；缺点是对运动突变和模型非线性敏感，需要结合运动状态解释。

累积和。 对缓慢漂移，单帧 NIS 可能一直在阈内，但均值会偏移。CUSUM 统计量定义为

$g_k=\max\left(0,\ g_{k-1}+\epsilon_k-\mu_0-\nu\right),$

其中 $\mu_0$ 是正常状态下的期望 NIS， $\nu$ 是容忍偏移。当 $g_k>h$ 时报警。CUSUM 对持续的小偏差比单帧门限更敏感，适合检测外参缓慢变化或时间戳逐渐漂移 [18]。

跨传感器一致性。 用不同传感器子集分别估计同一段运动，比较位姿差与协方差。若两个独立子集的估计差异超出联合协方差允许范围，说明至少一个子集的标定或数据有问题。该方法不依赖单一滤波器的模型，适合发现“某个传感器被系统性拉偏”的故障；缺点是需要足够的重叠观测与激励。

表 5 常见标定相关故障与处置

现象	可能原因	快速检查	处置
新息均值偏移，NIS 超阈	外参漂移、时间偏移、噪声协方差错误	检查残差随速度/温度/载荷的变化	触发 T2 重标或更新协方差
点云与图像边缘错位	相机—LiDAR 外参变化、卷帘快门、时间不同步	静止/低速/高速三组对比	先查时间戳，再查外参
长时定位缓慢漂移	IMU 偏置/尺度误差、轮速计标定误差	静止偏置、Allan 方差、里程计对比	重标 IMU/轮速计，检查温漂
在线外参来回跳	激励不足、先验太弱、观测退化	检查信息矩阵条件数与参数标准差	冻结参数或加强先验
标定后精度反而下降	外点未处理、过拟合、标定集覆盖不足	留出验证、残差分布、跨序列测试	回滚并重做数据采集
偶发数据错位	驱动时间戳语义变化、缓冲乱序	示波器/抓包对比采样与接收时刻	修正时间契约，重新同步

健康监控的输出不应只有“报警/不报警”，而应给出四级动作：继续运行（指标正常）、降级运行（切换到保守融合或限制 ODD）、触发重标（参数可在线更新且激励充分）、停机检修（安全关键参数不可信）。四级动作的阈值应由安全分析确定，并在仿真、硬件在环与实车/实机测试中验证。

3.7 Offline and Online Estimation Pipeline

算法 2 离线标定与验证流水线

输入：多传感器数据 D，初始参数 θ0，先验 Σ0，验证集 D_val
输出：标定包 P = {θ, Σθ, 验证报告, 元数据}

1. 数据审计：检查时间戳、丢帧、饱和、温度、运动激励
2. 初值：靶标/手眼/连续时间模型给出 θ_init
3. 稳健估计：Huber/GNC/RANSAC，记录内点比例与残差分布
4. 联合优化：最小化式 (3) 的 MAP 目标，必要时对状态做 Schur 补
5. 不确定度：由 Hessian 或 bootstrap 计算 Σθ
6. 可观测性：检查 J_eff 的秩、条件数与零空间方向
7. 留出验证：在 D_val 上计算表 4 指标，与旧版本比较
8. 版本化：写入元数据、签名、回滚包；通过灰度后发布

在线标定的流程与离线不同。它通常把待标定参数加入滤波器状态或滑动窗口，用先验约束防止无激励时漂移。以视觉惯性系统为例，状态可写为

$\mathcal{X}_k=\left\{x_k,\ \theta_{\text{ext}},\ \delta t,\ b_g,\ b_a,\ \dots\right\},$

其中 $b_g,b_a$ 是陀螺仪与加速度计偏置。滤波更新时，标定参数的协方差会随观测增加而减小；但当激励不足时，协方差不会减小，参数也不应被强行更新。工程上应设置参数更新门控：只有当信息矩阵在待标定方向上的特征值超过阈值、且参数更新量在物理合理范围内时，才接受在线更新。否则保持先验，等待更好的激励。

在线标定的另一个风险是“状态—参数不可分辨”。例如，相机—IMU 外参的平移与视觉尺度、IMU 偏置在某些运动下可能互相补偿。此时即使残差下降，参数也可能偏离真值。解决方法包括：固定部分参数、增加独立观测（如轮速计、GNSS）、设计激励轨迹、使用多假设或一致性检验。可观测性分析应作为在线标定的前置条件，而不是事后调试工具。

3.8 Theoretical Properties and Complexity

命题 2（可观测性秩条件） 在局部线性化点，标定参数 $\theta$ 局部可观测，当且仅当堆叠雅可比 $J_{\text{obs}}=[J_1;\dots;J_{|S|}]$ 列满秩；若 $\operatorname{rank}(J_{\text{obs}})<p$ ，则存在非零方向 $v\in\mathbb{R}^{p}$ 使得 $J_{\text{obs}}v=0$ ，沿 $v$ 改变参数不改变任何测量，标定问题在该方向上不可辨识。

证明要点：测量的一阶变化为 $\delta z=J_{\text{obs}}\delta\theta$ 。若存在非零 $v$ 使 $J_{\text{obs}}v=0$ ，则 $\delta\theta=\epsilon v$ 不改变一阶测量，故局部不可辨识；反之，若列满秩，则 $J_{\text{obs}}^{\top}J_{\text{obs}}\succ0$ ，一阶测量变化可唯一反推参数扰动。 $\square$

命题 2 解释了为什么“标定算法收敛”不等于“参数正确”：优化器可以在零空间方向上任意移动而不改变残差。工程上应报告 $J_{\text{eff}}$ 的最小奇异值、条件数与零空间基，而不是只报告最终残差。

命题 3（CRLB） 在正则条件下，任何无偏估计器的协方差满足 $\operatorname{Cov}(\hat\theta)\succeq J(\theta)^{-1}$ 。因此 $J(\theta)^{-1}$ 的对角元给出了各参数方差的下界，特征值给出了不确定度椭球的主轴长度。CRLB 的完整推导与正则条件见 Kay [20]。

该命题的工程含义是：如果某个参数的 CRLB 已经大于精度预算，那么无论换什么优化器都不可能满足指标；此时需要改变传感器配置、增加激励、改进模型或放宽指标。CRLB 应作为选型与标定设计的上限检查，而不是论文里的装饰。

命题 4（时间偏移的一阶误差界） 若传感器测量对应的真实时刻与使用时刻相差 $\delta t$ ，且在该时间窗内速度与角速度分别不超过 $v_{\max}$ 与 $\omega_{\max}$ ，则位置与姿态误差满足 3.5 节的两个不等式。

命题 5（RANSAC 迭代次数） 在最小样本数 $s$ 、内点比例 $w$ 、每次采样独立且成功概率 $p$ 的条件下，所需迭代次数满足 3.4.5 节的分式下界。

证明要点：一次采样全为内点的概率为 $w^{s}$ ， $N$ 次采样至少一次全为内点的概率为 $1-(1-w^{s})^{N}$ ；令其不小于 $p$ 并解出 $N$ 。 $\square$

复杂度方面，算法 1 的朴素实现每轮需要遍历 $N$ 个候选并计算一次行列式，复杂度约为 $O(KNd^{3})$ ，其中 $d$ 是信息矩阵维数；若传感器信息矩阵是秩 $m$ 的低秩块，可用矩阵行列式引理把单次更新降到 $O(md^{2})$ ，总复杂度约为 $O(KNmd^{2})$ 。离线标定的复杂度取决于图结构：稠密问题每次迭代 $O(p^{3})$ ，稀疏问题由 Schur 补与稀疏 Cholesky/QR 主导，通常远低于稠密上界；因子图建模与稀疏求解的基础见 Grisetti 等 [30]。在线扩展卡尔曼滤波（Extended Kalman Filter, EKF）的协方差更新为 $O(p^{3})$ ，滑动窗口优化则随窗口大小与观测边数增长。健康监控的 NIS 计算为 $O(m^{2})$ ，CUSUM 为 $O (1)$ ，跨传感器一致性检验取决于子集数量。

表 6 主要模块的复杂度

模块	典型复杂度	说明
贪婪选型（朴素）	$O(KNd^{3})$	每轮遍历候选、计算行列式
贪婪选型（低秩更新）	$O(KNmd^{2})$	秩 $m$ 信息块的矩阵行列式引理
离线批量标定	稀疏求解主导	Schur 补、稀疏 Cholesky/QR
在线 EKF 标定	$O(p^{3})$ 每次更新	$p$ 为增广状态维数
滑动窗口标定	随窗口与边数增长	稀疏因子图优化
NIS/CUSUM 监控	$O(m^{2})$ / $O (1)$	测量维数 $m$

这些复杂度只用于工程估算，不是严格的上界。实际性能还受内存布局、稀疏结构、并行化与数值条件影响；在部署前应使用目标硬件做基准测试，而不是直接套用渐近复杂度。

4 Experiments

4.1 Experimental Setup

本文的实验目标是验证 SCOPE 中三个关键机制是否按预期工作：信息选型能否利用模态互补性、稳健标定能否抵抗外点、时间偏移是否依赖运动激励。所有实验均为合成数据实验，不涉及实机采集；其结果用于暴露机理与失效模式，不作为硬件精度声明。复现脚本位于同目录 _sensor_calib_sim/sim.py，固定随机种子为 20261020，结果写入 _sensor_calib_sim/results.json。脚本仅依赖 NumPy，可在普通 CPU 上运行。

实验 A：模态结构化传感器选型。 候选传感器数 $N = 40$ ，状态维数 $d = 12$ ，分为位置、速度、姿态、偏置四个三维块。候选池包含六类传感器：低噪声位置传感器 10 个（噪声标准差 0.05）、中噪声位置传感器 6 个（0.20）、速度传感器 8 个（0.10）、姿态传感器 8 个（0.02）、偏置/标定辅助传感器 4 个（0.50）、位置+速度复合传感器 4 个（0.30）。每个传感器的测量矩阵在其对应状态块内由随机正交矩阵生成，并加入 0.02 的跨块泄漏，以避免不现实的精确块对角结构。先验信息 $J_0=0.01I$ 。每个配置重复 100 次，每次重新生成测量矩阵。比较四种方法：贪婪信息选型、随机选型（每个配置对 30 个随机子集取平均）、最低噪声选型、单传感器信息排序选型。评价指标为 $\log\det J(S)$ 、后验协方差迹 $\operatorname{tr}(J(S)^{-1})$ 与最大特征值 $\lambda_{\max}(J(S)^{-1})$ 。贪婪优化的是 $\log\det$ ，后验迹与最大特征值是未参与优化的留出指标。表 7 为篇幅只报告前两项，最大特征值保存在 results.json 中；实验实际覆盖 $K\in\{4,6,8,10,12,16,20\}$ ，表中报告 4、8、12、16、20 五档，6 与 10 仅用于检查趋势。

实验 B：带外点的三维刚体标定。 生成 60 组三维对应点，真实旋转随机、平移在 $1,1]^3$ 内均匀采样，内点噪声标准差 0.01。按比例 $\epsilon\in\{0,0.1,0.2,0.3,0.4\}$ 将部分对应点替换为 $\mathcal{N}(0,3^2)$ 的随机外点。比较普通 Kabsch 最小二乘、RANSAC+Kabsch 与 Huber IRLS。RANSAC 最小样本数为 3，内点阈值 0.05，最大迭代 500，置信度 0.999；Huber 的 $\delta=0.05$ ，IRLS 迭代 30 次。每种条件重复 200 次。评价指标为旋转误差中位数、平移误差中位数与成功率；成功率定义为旋转误差小于 2° 且平移误差小于 0.05 m。

实验 C：一维时间偏移可观测性。 生成 100 Hz、10 s 的正弦信号，幅值 1，噪声标准差 0.01，真实时间偏移 20 ms。传感器 B 的采样时刻为 $t+20\ \text{ms}$ 。在 $[- 0.1, 0.1]$ s 范围内以 0.5 ms 步长网格搜索使残差最小的偏移。激励频率取 0、0.1、0.5、1、2 Hz，每种频率重复 100 次。评价指标为绝对误差的中位数、均方根误差（Root Mean Square Error, RMSE）与 90 分位绝对误差。静态（0 Hz）情况下时间偏移不可观测，估计值在搜索区间内任意；表中数值仅表示搜索区间导致的示意误差，不代表估计器性能。该实验是简化的可观测性演示，不是完整相机—IMU 时延标定。

4.2 Main Results

4.2.1 选型结果

表 7 给出模态结构化选型的结果。表中“相对随机迹降低”以随机选型的后验迹为基准，正值表示优于随机；由于随机选型本身有较大方差，该列用于直观比较，不应替代统计检验。

表 7 模态结构化传感器选型结果（100 次重复，均值±标准差）

K	方法	$\log\det J$	$\operatorname{tr}(J^{-1})$	相对随机迹降低
4	贪婪信息	54.04±1.00	1.758±1.10	98.0%
4	随机	34.63±2.41	86.99±11.1	0.0%
4	最低噪声	37.93±2.25	38.25±30.2	56.0%
4	单传感器信息	7.32±0.65	94.05±12.2	−8.1%
8	贪婪信息	69.40±0.69	0.339±0.060	89.0%
8	随机	59.04±1.74	3.078±0.762	0.0%
8	最低噪声	54.57±1.01	0.817±0.170	73.4%
8	单传感器信息	57.10±0.95	0.764±0.352	75.2%
12	贪婪信息	75.15±0.60	0.205±0.032	67.1%
12	随机	68.62±1.12	0.624±0.169	0.0%
12	最低噪声	69.51±0.80	0.383±0.064	38.6%
12	单传感器信息	63.25±0.62	0.294±0.044	52.9%
16	贪婪信息	78.82±0.42	0.158±0.023	45.6%
16	随机	73.68±0.66	0.290±0.054	0.0%
16	最低噪声	72.39±0.61	0.321±0.039	−10.4%
16	单传感器信息	73.66±0.48	0.209±0.027	28.0%
20	贪婪信息	81.43±0.38	0.136±0.013	30.0%
20	随机	77.06±0.37	0.194±0.018	0.0%
20	最低噪声	80.37±0.39	0.150±0.020	22.5%
20	单传感器信息	75.98±0.43	0.193±0.023	0.2%

在 $K = 4$ 时，贪婪选型的后验迹为 1.758，随机选型为 86.99，降低约 98.0%；最低噪声选型为 38.25，贪婪比它低约 95.4%。这一差距主要来自模态覆盖： $K = 4$ 只允许选四个传感器，若四个都来自低噪声位置/姿态类，速度与偏置方向几乎只能靠先验，后验迹被少数弱观测方向主导。贪婪算法会主动选择能覆盖四个状态块的组合，因此即使某些单体噪声不是最低，组合后的后验仍显著更好。单传感器信息排序在 $K = 4$ 时反而比随机差 8.1%，原因是它只奖励“单体信息大”的传感器，忽略了互补性；多个高信息传感器可能集中在同一状态块，造成重复观测。

在 $K = 8$ 时，贪婪选型的后验迹为 0.339，随机为 3.078，降低 89.0%；最低噪声与单传感器信息分别为 0.817 与 0.764，贪婪仍优，但差距缩小。这说明当传感器数量足以覆盖所有状态块后，互补性的边际收益下降，选型更多是在“冗余度”和“成本”之间权衡。 $K = 12$ 与 $K = 16$ 时，贪婪相对随机的迹降低分别为 67.1% 与 45.6%，符合边际收益递减的预期。

$K = 16$ 出现了一个值得注意的现象：最低噪声选型的后验迹为 0.321，反而比随机选型 0.290 差 10.4%。原因不是随机选型更聪明，而是最低噪声启发式在 16 个名额下把名额集中给了 8 个姿态传感器与 8 个低噪声位置传感器，完全漏掉了速度与偏置块；随机选型虽然不保证覆盖，但平均而言仍会抽到部分速度/偏置传感器。这个结果说明“按噪声排序”在小预算下可能有效，在大预算下反而可能因为模态失衡而失效。选型算法必须显式检查覆盖与秩，而不能把低噪声当成万能代理。

$K = 20$ 时，贪婪、最低噪声与随机选型的后验迹分别为 0.136、0.150 与 0.194，差距进一步缩小；此时多数状态块已被多路覆盖，继续增加传感器的边际信息有限。工程含义是：当预算允许时，应优先把资源投入到“补齐弱观测方向”和“故障冗余”，而不是继续堆叠同一模态的高精度传感器。

表中还有一个方法论细节： $\log\det$ 与后验迹并不总是同序。例如 $K = 8$ 时最低噪声的 $\log\det$ 为 54.57，低于随机选型的 59.04，但其后验迹 0.817 却明显低于随机的 3.078。这是因为 $\log\det$ 奖励“总体积”，而迹奖励“平均方差”；当某个方向特别弱时，迹会被放大，而行列式可能仍由其他方向支撑。选型目标必须与下游风险对齐：若下游最怕最坏方向失效，应使用最大特征值或条件数约束；若关心平均定位误差，应使用迹或加权迹。本文的贪婪算法优化 $\log\det$ ，但在表中同时报告迹，并在结果文件中保留最大特征值，正是为了避免“优化指标好看、下游指标变差”的误导。

4.2.2 稳健标定结果

表 8 给出三维刚体标定在外点条件下的结果。无外点时，三种方法的中位旋转误差均约 0.084°，中位平移误差约 2.0 mm，说明合成数据的基准精度由噪声水平决定，方法之间没有明显差异。加入 10% 外点后，普通最小二乘迅速失效：中位旋转误差升至 8.375°，中位平移误差 0.217 m，成功率降为 0；RANSAC 仍保持 0.080° 与 2.08 mm，Huber 为 0.113° 与 2.99 mm，二者成功率均为 100%。

表 8 三维刚体标定在外点条件下的结果（200 次重复）

外点比例	方法	旋转中位误差 (°)	平移中位误差 (m)	成功率 (%)
0%	最小二乘	0.084	0.0020	100
0%	RANSAC	0.085	0.0020	100
0%	Huber	0.084	0.0020	100
10%	最小二乘	8.375	0.2167	0
10%	RANSAC	0.080	0.0021	100
10%	Huber	0.113	0.0030	100
20%	最小二乘	13.360	0.3510	0
20%	RANSAC	0.094	0.0022	100
20%	Huber	0.155	0.0040	100
30%	最小二乘	19.044	0.4485	0
30%	RANSAC	0.100	0.0025	100
30%	Huber	0.202	0.0064	100
40%	最小二乘	27.041	0.5689	0
40%	RANSAC	0.110	0.0024	100
40%	Huber	0.281	0.0091	100

外点比例升到 40% 时，最小二乘的中位旋转误差达到 27.041°，平移误差 0.569 m，已经完全不可用；RANSAC 仍为 0.110° 与 2.42 mm，Huber 为 0.281° 与 9.07 mm。RANSAC 的优势来自随机采样与内点重估：只要至少一次抽到全内点样本，就能把外点排除；在 40% 外点、最小样本 3 的条件下，单次全内点概率为 $0.6^3=0.216$ ，500 次迭代几乎必然成功。Huber 的优势是效率：它不需要随机采样，对中等外点更平滑；但当外点比例升高时，Huber 的权重函数仍会给大残差一定权重，导致参数被缓慢拉偏，因此 40% 外点下误差约为 RANSAC 的 2.6 倍。

这一结果对工程实践的启示是：外点比例未知时，优先使用 RANSAC 或 GNC 做粗标定，再用 Huber 或最小二乘在内点集上精修；不要一开始就用最小二乘，也不要把 RANSAC 的内点阈值设得过大，否则外点会被当作内点，稳健性名存实亡。本文没有扫描 RANSAC 阈值与 Huber $\delta$ 的敏感性，这属于待补的消融实验；在真实数据上，阈值应结合传感器噪声、点云密度与标定物尺寸设定，而不是套用固定值。

需要强调，实验 B 的外点是“随机大残差”，而真实标定中的外点往往具有结构：动态行人、反光板、错误角点、部分遮挡。结构化外点可能同时满足某些几何约束，使 RANSAC 的“内点”定义失效。因此表 8 的结果应理解为“在理想化外点模型下的上界”，真实系统需要更严格的对应筛选与一致性检验。

4.2.3 时间偏移结果

表 9 给出时间偏移估计随激励频率的变化。静态（0 Hz）时，信号不随时间变化，时间偏移不改变任何观测，估计问题完全不可观测；网格搜索返回搜索区间内的任意值，表中 120 ms 是“真实偏移 20 ms 与搜索下界 −100 ms”的差值，仅用于说明不可观测时的退化程度，不是估计器精度。0.1 Hz 时，中位绝对误差为 0.5 ms，RMSE 为 0.66 ms，已经接近 0.5 ms 的网格步长；0.5 Hz 及以上时，中位误差低于网格分辨率，估计达到网格极限。

表 9 一维时间偏移估计随激励频率的变化（100 次重复）

激励频率 (Hz)	中位绝对误差 (ms)	RMSE (ms)	90 分位绝对误差 (ms)
0	120.0	120.0	120.0
0.1	0.5	0.66	1.0
0.5	<0.05	0.16	0.05
1.0	<0.05	<0.01	<0.05
2.0	<0.05	<0.01	<0.05

结果说明，时间偏移的可观测性由运动激励决定，而不是由算法决定。静态或匀速直线运动下，时间偏移与状态误差不可分辨；只有存在足够的角速度、角加速度或线加速度变化时，时间偏移才会在残差中留下可辨识的 signature。工程上设计标定轨迹时，应显式安排多轴旋转、加减速与方向变化，并用信息矩阵检查时间偏移方向的最小特征值；若激励不足，应报告“不可观测”，而不是输出一个看似收敛的偏移值。

4.3 Ablation Study

表 10 汇总了本文的消融与敏感性观察。严格说，这些不是同一模型的组件消融，而是对架构中关键设计选择的对照实验：选型目标、选型启发式、稳健机制与激励条件。

表 10 关键设计选择的消融与敏感性

消融项	对比	关键观察	解释
组合优化 vs 随机	贪婪 vs 随机， $K = 4$	后验迹 1.758 vs 86.99	组合优化主要避免模态失衡导致的病态后验
组合优化 vs 低噪声	贪婪 vs 最低噪声， $K = 16$	0.158 vs 0.321	低噪声启发式可能漏掉速度/偏置块
互补性 vs 单体信息	单传感器信息 vs 随机， $K = 4$	94.05 vs 86.99	单体信息忽略互补性，可能重复观测同一状态块
预算敏感性	$K=4\to20$	贪婪迹 1.758→0.136	边际收益递减， $K = 8$ 后进入饱和区
稳健机制	最小二乘 vs RANSAC，40% 外点	27.041° vs 0.110°	RANSAC 的随机采样提供高外点鲁棒性
稳健机制	Huber vs RANSAC，40% 外点	0.281° vs 0.110°	Huber 对中等外点高效，高外点率下退化
激励条件	0 Hz vs 0.5 Hz	120 ms vs <0.05 ms	时间偏移需要运动激励才可观测

选型部分的“消融”表明，贪婪算法的主要价值不是在任何情况下都大幅优于简单启发式，而是在预算紧张、模态容易失衡时避免灾难性配置。当 $K$ 较大、覆盖已经充分时，最低噪声或单传感器信息排序可能与贪婪接近；这时工程上可以选择更简单、更易解释的启发式，但必须保留覆盖与秩检查。反过来，当 $K$ 接近状态维数、或存在安全关键弱观测方向时，应使用组合优化并把故障后可观测性作为硬约束。

稳健部分的“消融”表明，没有一种稳健机制在所有外点比例下都最优。RANSAC 在高外点率下更稳，但计算量随迭代次数增加，且阈值敏感；Huber 在低外点率下更高效，但在高外点率下会被大残差拉偏。工程上应根据外点比例的先验与计算预算选择，或者采用“RANSAC 粗筛 + Huber 精修”的组合。

时间偏移部分的“消融”表明，激励频率从 0 到 0.5 Hz 的变化，比任何算法超参都更能解释误差差异。标定工程师应把“激励设计”视为一等公民，而不是把传感器放在转台上随便转几圈。

4.4 Analysis

为什么选型结果会出现“98%”这样大的差距？ 不是因为贪婪算法有魔力，而是因为 $K = 4$ 时状态维数为 12，四个三维传感器刚好处于“能否覆盖四个状态块”的临界点。随机选型有相当概率漏掉某个块，导致该方向只能靠 0.01 的先验，后验方差约为 100；四个方向中只要有一个这样，迹就会接近 100；若两个方向弱，迹就会到 200 以上。贪婪算法通过最大化行列式，优先补齐弱方向，因此把迹压到接近 2。这个结果依赖于“块结构 + 小预算”的实验设定；在真实系统中，状态维数、传感器测量维数与噪声相关性都会改变临界点，但“覆盖比单体精度更重要”的定性结论仍然成立。

为什么最低噪声在 $K = 16$ 反而变差？ 因为它把“噪声低”误当成“信息大”。姿态传感器噪声最低，但它只观测姿态；位置传感器噪声也较低，但它只观测位置。16 个名额被这两类占满后，速度与偏置方向没有直接观测，只能靠先验或跨块泄漏。随机选型虽然不优化，但平均会抽到一些速度/偏置传感器，因此反而更稳。这提醒我们：选型指标必须包含覆盖约束，否则“优化”可能把系统推到更脆弱的配置。

为什么单传感器信息在 $K = 4$ 最差？ 单传感器信息排序等价于“逐个看谁最能降低不确定性”，它奖励的是单体信息，而不是组合互补性。若多个传感器都在同一状态块内信息很大，排序会把名额集中在这个块，导致其他块没有观测。这个失败模式在真实系统中很常见：采购部门按“单个传感器性能”比较，结果买了一堆同质的高精度相机，却没有一个能观测速度或全局位置。

为什么 RANSAC 在 40% 外点下仍然稳定，而 Huber 退化？ RANSAC 的随机采样机制允许它完全忽略外点，只要采样到全内点集合；Huber 的权重函数对大残差只做线性降权，外点比例高时，大量大残差仍会累积成偏置。RANSAC 的代价是计算量与阈值敏感性；Huber 的代价是外点比例高时失效。两者不是替代关系，而是不同阶段的分工。

为什么时间偏移在静态下完全不可观测？ 因为测量方程不依赖于时间偏移：若信号不随时间变化， $h(x(t+\delta t))=h(x(t))$ ，任何 $\delta t$ 都给出相同残差。此时信息矩阵在 $\delta t$ 方向上的特征值为零，CRLB 为无穷大；任何优化器都只能返回先验或初值。工程上必须避免在静态数据上“标定”时间偏移，否则会把噪声拟合成为偏移。

对工程实践的启示。 第一，选型阶段应把“覆盖、冗余、故障后可观测”写成硬约束，而不是在精度指标上内卷。第二，标定阶段应把“激励设计、外点处理、不确定度、留出验证”作为四个独立检查点，而不是只看最终残差。第三，运行阶段应把“新息一致性、CUSUM、跨传感器一致性”作为标定健康的一部分，尽早发现慢漂移。第四，配置治理应把标定包当作软件制品管理，任何参数变化都可追溯、可回滚。

什么情况下本文的结论会失效？ 如果真实系统的传感器信息矩阵高度相关、噪声非高斯且外点结构化、安装非刚性、温度与振动导致参数快速变化，那么合成实验中的“块结构”“随机外点”“静态外参”假设都会被违反。此时 SCOPE 的架构仍然有用，但其中的具体阈值、贪婪策略与协方差模型需要重新标定；不能把本文的合成数值直接搬到实机。

效率分析的限制。 本文只给出渐近复杂度，没有在目标硬件上测量选型、批量标定与在线更新的实际耗时。选型的 $O(KNd^{3})$ 在 $N = 40$ 、 $d = 12$ 的小规模问题上很快，但在数百个候选传感器、高维状态与多场景鲁棒目标下，可能需要低秩更新、并行化或启发式剪枝。离线标定的耗时主要取决于数据量、特征匹配与稀疏求解器；在线标定的耗时取决于状态维数与更新频率。没有目标硬件的基准测试，就不能把复杂度表当成实时性承诺；这部分列入表 11 的待补项。

4.5 Limitations

本文的局限主要有以下六点。

没有实机数据。 所有数值来自合成数据，不能代表真实相机、IMU、LiDAR 的噪声特性、畸变、温漂与同步误差。本文没有在 KITTI、EuRoC 或自采数据上验证，也没有与 Kalibr、OpenVINS 等工具做端到端对比。
信息矩阵模型简化。 实验 A 用块结构 + 随机正交矩阵生成信息矩阵，真实传感器的信息矩阵可能更相关、更时变，且与场景内容强相关。实验 A 的结论应理解为“机制验证”，不是“选型精度预测”。
外点模型理想化。 实验 B 的随机大残差外点不代表真实标定中的动态物体、反光、遮挡与错误对应。RANSAC 在结构化外点下的表现可能明显低于表 8。
没有长期漂移数据。 本文没有运行数小时/数天的温漂、振动与载荷变化实验，因此无法验证健康监测的误报率、漏报率与提前量。
成本与供应链未建模。 实验 A 只比较信息与数量，没有把采购成本、功耗、安装空间、标定工时、交期与替代料纳入真实优化；实际选型需要多目标决策与人工评审。
安全与合规未展开。 本文没有做功能安全分析、失效模式与影响分析（FMEA）、攻击面分析或隐私影响评估；这些工作是量产部署的必要条件，不能由架构图替代。

此外，本文没有讨论非刚性支架、滚动快门与 IMU 的深度耦合、LiDAR 与相机在雨雾中的散射、GNSS 多径、轮速计滑移等具体问题。这些问题的共同点是“模型假设被违反”，需要专门的传感器模型、故障检测与标定策略；SCOPE 只提供了放置这些策略的框架，没有提供现成解法。

4.6 Hardware Validation Protocol

为了把本文从架构提案推进到可验证的工程实践，下一步必须做实机评测。测试台应包含相机、IMU、LiDAR、全球导航卫星系统（Global Navigation Satellite System, GNSS）与实时动态差分（Real-Time Kinematic, RTK）等模态，并用硬件触发或 PTP 统一时间基。表 11 给出一组最小测试矩阵。表中目标值全部留空，原因是它们依赖具体任务（自动驾驶、移动机器人、工业检测、无人机）的精度与安全预算；在没有项目指标前填写数值会制造虚假的确定性。

表 11 实机验证矩阵（目标值待项目定义）

测试	扰动/条件	观察指标	预期动作	目标值
静态重复性	同一标定物重复 10 次	参数标准差、重投影均方根误差	通过/返修	`[TODO: 按精度预算填写]`
温度漂移	−10°C 到 60°C，分段保温	外参漂移、NIS 均值	触发温补或重标	`[TODO: 按温漂预算填写]`
振动	正弦扫频/随机振动	外参残差、点云—图像错位	检查支架刚度	`[TODO: 按振动谱填写]`
时间偏移注入	人为注入 1–10 ms 偏移	估计误差、检测延迟	重标或告警	`[TODO: 按同步预算填写]`
外参扰动	注入 0.1°–1° 旋转/1–10 mm 平移	检测时间、误报率	触发 T2 重标	`[TODO: 按安全阈值填写]`
传感器掉线	逐一移除模态	降级后轨迹误差	切换降级模式	`[TODO: 按降级指标填写]`
高动态运动	高角速度/高加速度	NIS 超阈比例、标定参数漂移	门控在线更新	`[TODO: 按运动剖面填写]`
长时运行	8 h 连续运行	参数漂移、健康指标趋势	周期重标	`[TODO: 按寿命要求填写]`
公开数据集	KITTI [23]、EuRoC [22]	重投影、相对位姿误差（Relative Pose Error, RPE）与绝对轨迹误差（Absolute Trajectory Error, ATE）[29]	与基线对比	`[TODO: 按论文基线填写]`

测试流程建议如下。首先在实验室用高精度转台、标定间与硬件触发建立“真值级”基准，确认内参、外参、时间偏移的估计误差；然后在真实设备上做温度、振动与长时间运行测试，记录参数漂移与健康指标；最后做故障注入与降级测试，确认系统在单传感器失效、时间戳异常、外参突变时能进入安全状态。每一阶段都应保留原始数据、标定包与验证报告，以便复现与审计。

公开数据集方面，KITTI 提供相机—LiDAR—IMU 等多模态数据与评测基准 [23]，EuRoC 提供视觉—惯性数据与真值轨迹 [22]，适合做算法级对比。若测试涉及全球导航卫星系统（Global Navigation Satellite System, GNSS）与实时动态差分（Real-Time Kinematic, RTK），还应加入开阔天空、城市峡谷与多路径场景。但公开数据集不能替代目标硬件的标定，因为镜头、支架、触发方式与时间戳语义都不同。建议把公开数据集用于“算法正确性”验证，把自采数据用于“工程可用性”验证，两者分开报告。

5 Discussion

选型与标定的共同目标是“可用的信息”，不是“更多的数据”。 本文把选型写成信息矩阵优化，把标定写成参数估计与生命周期管理，看似是两个问题，实际上共享同一个判断标准：系统在任务状态下能否稳定地观测关键方向。选型决定信息矩阵的结构，标定决定信息矩阵的刻度；结构错了，标定再准也无法弥补；刻度错了，结构再好也会把误差带入融合。工程组织上，这意味着选型评审不能只请采购与结构工程师，标定评审也不能只请算法工程师；两类角色需要在需求阶段就坐在一起，明确“哪些状态必须可观测、由谁观测、如何验收”。对基于大模型的具身 Agent，感知误差不会只影响定位，还会改变语义地图、抓取位姿与工具调用参数；因此标定健康应作为 Agent 运行时的一个可观测指标，而不是只存在于底层驱动的日志里。

生命周期成本常被低估。 一个便宜但需要专用工装、长时间温漂测试与频繁现场重标的传感器，其全生命周期成本可能高于一个稍贵但即插即用、在线自标定稳定的传感器。本文的标定感知效用 $U (S)$ 试图把这一因素纳入选型，但权重仍需要项目数据校准。建议在样机阶段记录每次标定的工时、工装占用、返修率与现场重标次数，用这些数据反推 $Q (S)$ 与 $R (S)$ ，而不是凭经验拍脑袋。

安全、隐私与治理不能被架构图掩盖。 相机标定数据可能包含人脸、车牌、工位与产线布局；LiDAR 点云可能包含人员活动轨迹；标定包本身是系统安全的关键参数，若被篡改可能导致感知失效。工程上应做数据最小化、脱敏、访问控制与签名验证；标定包的 OTA 更新应支持灰度、回滚与审计。对安全关键系统，标定失效应纳入功能安全分析，明确安全状态、故障响应时间与人为接管流程。本文没有展开这些内容，但它们是“工程实践”不可分割的一部分。

适用边界。 SCOPE 适合刚性安装、传感器模型已知、运动激励可控、标定周期可管理的系统，例如自动驾驶车辆、移动机器人、无人机、工业检测设备。对于柔性机器人、可穿戴设备、非刚性内窥镜等结构随时间显著变化的系统，静态外参假设不成立，需要把结构形变纳入状态或使用无外参的端到端方法。对于传感器模型未知或严重非高斯的场景，信息矩阵与 CRLB 只能作为粗略指导，不能作为精度承诺。

开放问题。 本文留下几个具体问题。第一，如何把“标定激励设计”与“任务轨迹设计”联合优化，使系统在完成工作任务的同时获得足够的标定信息？第二，如何学习传感器噪声与漂移模型，使信息矩阵随场景、温度与老化自适应？第三，如何为标定包建立行业级的格式、签名与验收标准，使不同厂商的工具链可以互操作？第四，如何用车队数据做联邦式漂移监测，在不泄露原始数据的前提下发现批次性标定问题？这些问题都比“再写一个标定优化器”更接近工程痛点。

可证伪性。 本文的架构主张可以被证伪：如果在多个真实平台上，选型阶段的信息矩阵评分与下游任务性能没有相关性；如果健康监测无法区分标定漂移与正常高动态运动；如果在线标定在激励充分时仍频繁发散；如果标定包的版本治理没有降低现场故障率——那么 SCOPE 的核心主张就需要修正。本文给出合成实验与验证协议，正是为了把这些主张放到可检验的位置，而不是停留在架构图上。

6 Conclusion

本文围绕“传感器选型与标定”提出 SCOPE 架构，把选型、时间同步、离线/在线标定、健康监测与配置治理组织成同一个工程闭环。选型层用信息矩阵描述候选传感器对状态估计的贡献，在成本、覆盖、可观测性与故障冗余约束下优化组合，并说明行列式信息增益的子模性与贪婪近似保证；标定层把内参、外参、时间偏移与在线自标定分为 T0/T1/T2 三层，强调激励设计、稳健估计、不确定度与留出验证；运行层用 NIS、CUSUM 与跨传感器一致性监测漂移，并通过版本化标定包实现追溯与回滚。

合成实验验证了三个机制：在模态结构化、预算紧张的设定下，贪婪信息选型能显著优于随机选型与单传感器信息排序，主要收益来自互补性与覆盖；在 40% 外点下，RANSAC 与 Huber 能保持可用的标定精度，而普通最小二乘完全失效；时间偏移只有在运动激励充分时才可观测，静态场景下任何算法都无法估计。本文同时明确，这些结果是合成数据上的机理验证，不是实机精度声明；真实系统的噪声、外点结构、温漂与振动会改变数值，甚至改变某些定性排序。

未来工作分为四步。第一，搭建包含相机、IMU、LiDAR、GNSS/RTK 与轮速计的实机测试台，按表 11 完成静态、温漂、振动、时间偏移注入、外参扰动与故障注入测试，补齐所有 [TODO: 实机数据待补]。第二，把标定包格式、验证报告与回滚机制做成可复用的开源工具，支持 Kalibr、OpenVINS 等现有工具链的导入导出。第三，研究主动标定轨迹设计，把任务轨迹与激励轨迹联合优化，在不停机的前提下提高在线标定的可观测性。第四，在车队或产线规模上做长期漂移监测，评估健康指标的误报率、漏报率与提前量，并据此校准阈值。只有完成这些工作，本文的架构主张才能从“合理的设计”变成“经过验证的工程实践”。

References

[1] Z. Zhang, “A flexible new technique for camera calibration,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 11, pp. 1330–1334, 2000. DOI: 10.1109/34.888718.

[2] Q. Zhang and R. Pless, “Extrinsic calibration of a camera and laser range finder (improves camera calibration),” in Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2004, vol. 3, pp. 2301–2306. DOI: 10.1109/IROS.2004.1389752.

[3] A. Geiger, F. Moosmann, Ö. Car, and B. Schuster, “Automatic camera and range sensor calibration using a single shot,” in Proc. IEEE International Conference on Robotics and Automation (ICRA), 2012, pp. 3936–3943. DOI: 10.1109/ICRA.2012.6224570.

[4] P. Furgale, J. Rehder, and R. Siegwart, “Unified temporal and spatial calibration for multi-sensor systems,” in Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2013, pp. 1280–1286. DOI: 10.1109/IROS.2013.6696514.

[5] D. Tedaldi, A. Pretto, and E. Menegatti, “A robust and easy to implement method for IMU calibration without external equipments,” in Proc. IEEE International Conference on Robotics and Automation (ICRA), 2014, pp. 3042–3049. DOI: 10.1109/ICRA.2014.6907297.

[6] T. Qin, P. Li, and S. Shen, “VINS-Mono: A robust and versatile monocular visual-inertial state estimator,” IEEE Transactions on Robotics, vol. 34, no. 4, pp. 1004–1020, 2018. DOI: 10.1109/TRO.2018.2853729.

[7] C. Campos, R. Elvira, J. J. Gómez Rodríguez, J. M. M. Montiel, and J. D. Tardós, “ORB-SLAM3: An accurate open-source library for visual, visual-inertial and multi-map SLAM,” arXiv:2007.11898, 2020.

[8] P. Geneva, K. Eckenhoff, W. Lee, Y. Yang, and G. Huang, “OpenVINS: A research platform for visual-inertial estimation,” in Proc. IEEE International Conference on Robotics and Automation (ICRA), 2020, pp. 4666–4672. DOI: 10.1109/ICRA40945.2020.9196524.

[9] Y. Yang, P. Geneva, X. Zuo, and G. Huang, “Online self-calibration for visual-inertial navigation: Models, analysis, and degeneracy,” IEEE Transactions on Robotics, vol. 39, no. 5, pp. 3479–3498, 2023. arXiv:2201.09170.

[10] C. Forster, L. Carlone, F. Dellaert, and D. Scaramuzza, “On-manifold preintegration for real-time visual-inertial odometry,” IEEE Transactions on Robotics, vol. 33, no. 1, pp. 1–21, 2017. arXiv:1512.06250.

[11] J. Sola, “Quaternion kinematics for the error-state Kalman filter,” arXiv:1711.02508, 2017.

[12] S. Joshi and S. Boyd, “Sensor selection via convex optimization,” IEEE Transactions on Signal Processing, vol. 57, no. 2, pp. 451–462, 2009. DOI: 10.1109/TSP.2008.2007095.

[13] M. Shamaiah, S. Banerjee, and H. Vikalo, “Greedy sensor selection: Leveraging submodularity,” in Proc. 49th IEEE Conference on Decision and Control (CDC), 2010, pp. 2572–2577. DOI: 10.1109/CDC.2010.5717225.

[14] A. Krause, A. Singh, and C. Guestrin, “Near-optimal sensor placements in Gaussian processes: Theory, efficient algorithms and empirical studies,” Journal of Machine Learning Research, vol. 9, pp. 235–284, 2008.

[15] G. L. Nemhauser, L. A. Wolsey, and M. L. Fisher, “An analysis of approximations for maximizing submodular set functions—I,” Mathematical Programming, vol. 14, no. 1, pp. 265–294, 1978. DOI: 10.1007/BF01588971.

[16] P. J. Huber, “Robust estimation of a location parameter,” The Annals of Mathematical Statistics, vol. 35, no. 1, pp. 73–101, 1964. DOI: 10.1214/aoms/1177703732.

[17] M. A. Fischler and R. C. Bolles, “Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography,” Communications of the ACM, vol. 24, no. 6, pp. 381–395, 1981.

[18] A. S. Willsky, “A survey of design methods for failure detection in dynamic systems,” Automatica, vol. 12, no. 6, pp. 601–611, 1976. DOI: 10.1016/0005-1098(76)90042-X.

[19] Y. Bar-Shalom, X.-R. Li, and T. Kirubarajan, Estimation with Applications to Tracking and Navigation: Theory, Algorithms and Software. New York: Wiley, 2001.

[20] S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory. Upper Saddle River, NJ: Prentice Hall, 1993.

[21] IEEE, “IEEE standard for a precision clock synchronization protocol for networked measurement and control systems,” IEEE Std 1588-2019, 2019.

[22] M. Burri, J. Nikolic, P. Gohl, T. Schneider, J. Rehder, S. Omari, M. W. Achtelik, and R. Siegwart, “The EuRoC micro aerial vehicle datasets,” The International Journal of Robotics Research, vol. 35, no. 10, pp. 1157–1163, 2016. DOI: 10.1177/0278364915620033.

[23] A. Geiger, P. Lenz, and R. Urtasun, “Are we ready for autonomous driving? The KITTI vision benchmark suite,” in Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2012, pp. 3354–3361.

[24] X. Zhang, Y. Xiong, Q. Qu, R. Wang, X. Gao, J. Liu, S. Guo, and J. Li, “Cooperative visual-LiDAR extrinsic calibration technology for intersection vehicle-infrastructure: A review,” arXiv:2405.10132, 2024.

[25] R. Hartley and A. Zisserman, Multiple View Geometry in Computer Vision, 2nd ed. Cambridge, UK: Cambridge University Press, 2004.

[26] S. Thrun, W. Burgard, and D. Fox, Probabilistic Robotics. Cambridge, MA: MIT Press, 2005.

[27] T. D. Barfoot, State Estimation for Robotics. Cambridge, UK: Cambridge University Press, 2017.

[28] P. J. Rousseeuw and A. M. Leroy, Robust Regression and Outlier Detection. New York: Wiley, 1987.

[29] Z. Zhang and D. Scaramuzza, “A tutorial on quantitative trajectory evaluation for visual(-inertial) odometry,” in Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2018.

[30] G. Grisetti, R. Kümmerle, C. Stachniss, and W. Burgard, “A tutorial on graph-based SLAM,” IEEE Intelligent Transportation Systems Magazine, vol. 2, no. 4, pp. 31–43, 2010.

Appendix

Appendix A: Schur Complement and Effective Information

把状态与标定参数联合估计时，Hessian 可以分块写成

$\begin{bmatrix} H_{\theta\theta} & H_{\theta x}\\ H_{x\theta} & H_{xx} \end{bmatrix}.$

在给定标定参数后，状态被边缘化，标定参数的有效信息为

$H_{\text{eff}}=H_{\theta\theta}-H_{\theta x}H_{xx}^{-1}H_{x\theta}.$

若 $H_{xx}\succ0$ ，则 $H_{\text{eff}}$ 的秩等于标定参数可观测方向的维数。若 $H_{xx}$ 奇异，说明状态本身不可观测，需要先增加先验或改变运动，而不能直接对 $H_{xx}$ 求逆。工程实现中应使用带正则化的 Cholesky 分解或伪逆，并检查条件数，避免数值奇异被误判为“可观测”。