当标定遇见可观测性：如何用数学工具破解车载平面运动的退化难题

当标定遇见可观测性：如何用数学工具破解车载平面运动的退化难题

在自动驾驶和机器人定位领域，多传感器融合的精度直接决定了系统的可靠性。激光雷达（LiDAR）与惯性测量单元（IMU）或全球导航卫星系统（GNSS）的组合标定，是实现高精度定位与建图的基础。然而，当车辆在平面道路运动时，Z轴激励不足会导致标定问题退化，传统方法往往陷入局部最优或完全失效。此时，可观测性分析与数学工具的结合成为破解这一难题的关键。

1. 可观测性理论在传感器标定中的核心作用

可观测性分析源于控制理论，用于判断系统状态能否通过观测数据唯一确定。在LiDAR-IMU/GNSS标定中，系统的可观测性直接决定了外参（旋转和平移）能否被准确估计。当车辆仅在平面运动时，系统对Z轴平移和绕X、Y轴旋转的可观测性较弱，导致标定结果出现退化。

以手眼标定（Hand-Eye Calibration）为例，其基本方程为 AX=XB，其中A表示传感器A（如IMU）的相对运动，B表示传感器B（如LiDAR）的相对运动，X为待求的外参矩阵。当运动仅限于平面时，方程组的秩缺失，无法唯一确定X的所有自由度。

可观测性分析的关键步骤：

• 构建系统的状态空间模型
• 计算可观测性矩阵的秩
• 识别不可观测或弱可观测的方向

通过可观测性分析，我们能够明确知道在特定运动模式下，哪些外参维度是无法被准确估计的，从而避免在优化过程中对这些维度进行无意义的更新。

2. 截断奇异值分解（TSVD）应对退化问题的数学原理

截断奇异值分解（Truncated Singular Value Decomposition，TSVD）是解决病态问题的有力工具。在标定问题中，当可观测性矩阵存在奇异或接近奇异的状况时，TSVD通过截断小的奇异值来稳定求解过程。

TSVD在标定中的具体应用：

对于一个线性系统 Ax=b，其最小二乘解为 x=VΣ⁻¹Uᵀb。当矩阵A病态时，小的奇异值会导致解的不稳定。TSVD通过设置阈值τ，仅保留大于τ的奇异值，