標定的案例
康謀技術 | 自動駕駛傳感器標定技術：從單一到聯合標定
為了讓各類傳感器更精確的感知，在傳感器裝車后，就需要對傳感器進行標定以獲取各個傳感器的安裝位置。具體來說，就是通過標定確定車身坐標系下傳感器的位置。
一、傳感器標定類型
在一輛具備L2+級別智駕車上，常會搭建攝像頭，激光雷達，毫米波雷達，GPS/IMU等傳感器。從性質上講，傳感器標定包括內參標定和外參標定兩種類型。
1、內參標定
內參標定主要關注傳感器本身的參數，如相機的焦距、光心以及畸變參數等。通過建立傳感器誤差模型，獲得傳感器特性參數，進而消除傳感器本身測量誤差。關于相機標定可進一步看《深入探討：自動駕駛中的相機標定技術》。
2、外參標定
外參標定關注傳感器相對于車輛坐標系的位置。這通常需要借助先驗信息，如工裝信息或環境信息，來確定傳感器的位姿。如果車輛坐標系定義為車輛上的某一點，標定過程將解決傳感器在固定車輛坐標系下的位置確定問題。簡單來說，傳感器外參標定求解取決于車輛坐標系的定義。
傳感器內參標定由于與安裝位置無關，常在裝車前進行標定。而傳感器外參標定涉及到車輛坐標系的確定，主要包括傳感器與車身的標定（單一標定）和多傳感器標定（聯合標定）。其中多傳感器標定是通過傳感器的測量信息來求解不同傳感器之間的位姿變換。
下面就以激光雷達為例，進一步分析傳感器與車身標定（單一標定）和多傳感器標定（聯合標定）。
二、單一標定和聯合標定
1、單一標定
在激光雷達與車身標定過程中，首先要安裝激光雷達，并確定車輛坐標系，隨后通過測量工具記錄其相對于車輛坐標系的位置和方向。將多個標定板置于激光雷達可掃描到的區域，采集點云數據，并通過標定算法計算激光雷達坐標系與車輛坐標系之間的轉換關系。最終解算出激光雷達與車身的外參。
2、聯合標定
聯合標定是指對多個傳感器進行綜合標定，確保它們之間的數據能夠準確融合。
展開 自動駕駛系統的傳感器標定方法
來源 | 自動駕駛之心、計算機視覺life
導讀：傳感器標定是自動駕駛的基本需求，一個車上裝了多個/多種傳感器，而它們之間的坐標關系是需要確定的。灣區自動駕駛創業公司ZooX的co-founder和CTO是Sebastia Thrun的學生Jesse Levinson，他的博士論文就是傳感器標定。
這個工作可分成兩部分：內參標定和外參標定，內參是決定傳感器內部的映射關系，比如攝像頭的焦距，偏心和像素橫縱比（+畸變系數），而外參是決定傳感器和外部某個坐標系的轉換關系，比如姿態參數（旋轉和平移6自由度）。
攝像頭的標定曾經是計算機視覺中3-D重建的前提，張正友老師著名的的Zhang氏標定法，利用Absolute Conic不變性得到的平面標定算法簡化了控制場。
這里重點是，討論不同傳感器之間的外參標定，特別是激光雷達和攝像頭之間的標定。
另外在自動駕駛研發中，GPS/IMU和攝像頭或者激光雷達的標定，雷達和攝像頭之間的標定也是常見的。不同傳感器之間標定最大的問題是如何衡量最佳，因為獲取的數據類型不一樣：
攝像頭是RGB圖像的像素陣列；
激光雷達是3-D點云距離信息（有可能帶反射值的灰度值）；
GPS-IMU給的是車身位置姿態信息；
雷達是2-D反射圖。
這樣的話，實現標定誤差最小化的目標函數會因為不同傳感器配對而不同。
另外，標定方法分targetless和target兩種，前者在自然環境中進行，約束條件少，不需要用專門的target；后者則需要專門的控制場，有ground truth的target，比如典型的棋盤格平面板。
這里僅限于targetless方法的討論，依次給出標定的若干算法。
展開 一種基于MATLAB Simulink建模的整車VBC離線標定方法
摘 要：整車VBC(Vehicle Basic Calibration)標定是指整車基礎模型標定，在發動機臺架匹配完成后，項目工程師將數據移植到整車時，需進行發動機與車輛的匹配檢查。主要包括充氣模型、排氣溫度、燃油溫度、混合氣控制、增壓控制等發動機模型。其標定形式主要包括轉轂和道路兩部分，轉轂主要以穩態工況為主，道路試驗則更側重于瞬態控制。傳統的VBC標定主要是通過在線的優化調整，需工程師攜帶通訊設備在車上開展工作。而目前計算機仿真已成為解決工程實際問題的重要手段，基于某量產車型，詳細論述了整車VBC標定的Simulink建模過程及離線標定方法。結果表明，在測試數據質量滿足要求的前提下，采用論述的方法不僅能夠獲得高精度標定結果，還能大幅度提高整車VBC標定的效率。
關鍵詞：仿真建模;離線標定;MATLAB/Simulink;VBC;
引言
整車VBC標定，簡單地講就是發動機在整車上的匹配，通過標定優化ECM中進氣模型、扭矩模型、噴油點火、增壓控制等來最大程度地發揮發動機在整車上的性能并且保證發動機不受損壞，它是整個整車標定的基礎。車輛基本匹配所得的數據對整個項目具有重要意義，因此所選的試驗車必須車況良好，進排氣系統盡量與批產狀態一致，發動機運行良好且處于合理偏差范圍之內，機油、冷卻水液位正常，輪胎狀況良好且胎壓正常。在拿到項目試驗車輛后，需根據發動機在車輛上的布置進行改造。主要包括加裝LA4 Lambda分析儀、機油熱電偶、排氣系統及GPF溫度熱電偶、燃油溫度熱電偶、電源盒等。需要注意的是熱電偶上一定要標明名稱，且安裝完畢后須檢查熱電偶處是否存在漏水、漏機油、漏氣等現象。
傳統的VBC標定，需要標定工程師和試驗工程師相互配合，花費大量時間在整車轉轂上進行穩態標定并在道路上進行瞬態標定，整個過程需要在線優化并且反復驗證。
展開 ADAS/ADS 整車下線標定解決方案
所以整車生產過程中需要對車輛進行標定以糾正ADAS系統的安裝誤差，從而保證其質量和安全性。
經緯恒潤依托多年的ADAS/ADS產品開發配套經驗和整車EOL系統開發經驗，開發了 ADAS/ADS標定系統。方案可覆蓋前視攝像頭標定、毫米波雷達標定、環視攝像頭標定等。支持的車型可以從1R1V車輛到 5R1V。系統支持全自動標定，極大的提高了標定效率和標定質量。
氣體質量流量控制器的標定周期是多久？
布瑯軻鍶特（Bronkhorst）主要為用戶提供高精度、高可靠性的MFC產品，然而即便是最精密的儀器，也需要定期維護與校準，以確保長期運行的準確性與穩定性，那么氣體質量流量控制器的標定周期究竟是多久？
布瑯軻鍶特-氣體質量流量控制器：https://www.bronkhorst-china.com/
一、什么是標定？為什么需要定期標定？
標定是指將MFC的實際輸出值與標準參考值進行比對，并進行必要的調整，以確保測量和控制精度符合技術規范，由于MFC內部傳感器會受到環境溫度、壓力波動、介質污染、機械振動或長時間使用帶來的老化等因素影響，性能可能隨時間發生漂移，若不及時標定，可能導致流量控制偏差，進而影響整個工藝流程，甚至造成產品報廢或安全事故。
二、布瑯軻鍶特建議的標準標定周期
根據布瑯軻鍶特（Bronkhorst）多年的技術經驗與行業實踐，一般建議氣體質量流量控制器的標定周期為12個月（即每年一次），這一周期適用于大多數常規工況下的應用，如潔凈氣體、穩定溫壓環境、無腐蝕性介質等。
然而標定周期并非“一刀切”，還需結合以下因素靈活調整：
使用頻率：高頻使用的MFC（如24/7連續運行）建議縮短至6–9個月；
介質特性：若氣體含有顆粒、水分、油污或具有腐蝕性（如Cl?、NH?等），應每6個月甚至更短周期進行檢查與標定；
工藝要求：在半導體、醫藥等對精度要求極高的行業中，部分客戶會采用3–6個月的標定周期，以滿足GMP或ISO認證要求；
環境條件：高溫、高濕、強電磁干擾等惡劣環境也會加速傳感器老化，需加強維護頻率。
三、如何判斷是否需要提前標定？
展開 精準測量的關鍵 | 標定測量鏈的三個步驟
安裝后，應對力墊圈進行標定，以獲得可靠的靈敏度。
采用標準力傳感器進行標定
標定傳感器的方法之一是采用標準力傳感器。這需要一個力傳感器和一個放大器。基于應變原理的標準力傳感器 (C18, Z30A 系列) 特別適合這種方法。工業用力傳感器，例如S9M也可以使用。
在選擇標準力傳感器時，你必須知道，被標定的力傳感器精度不可能超過標準力傳感器的精度。
標定測量鏈的三個步驟
如上所述，壓電力墊圈 (CFW) 在安裝后，傳感器需要進行標定。這意味著，在標定后，安裝條件不能改變，尤其是需要加載預應力時。
在標定時，需要考慮三個步驟：
安裝后需要測量傳感器靈敏度：當力加載到傳感器上，壓電力傳感器將產生電荷。靈敏度可以通過以下等式計算出 (靈敏度 = 電荷/力).
設置電荷放大器：CMD600數字電荷放大器的量程可以自由調整的。上述的靈敏度在助手軟件中就可以計算出。為了保證分辨率，量程必須進行設定。
驗證結果：我們推薦您再次比對標定測量鏈和壓電測量鏈的區別。
我們假設您傳感器已經被安裝，并且已經加載了預應力。預應力可以通過力墊圈直接測量。廠方的標定證書即用于此目的。調整CMD600，并提高預應力到期望值。最小為10%的額定量程。當使用CMD600電荷放大器時，需要連接電腦，并使用CMD Assistant軟件進行設置。請參考CMD600使用說明書。設置傳感器靈敏度為1， 使用這個設置來測量電荷。
按以上所述來配置 CMD:靈敏度為 1 ，來測量傳感器的電荷信號。
CMD的靈敏度安裝制作證書上設定(4.3 pC/N).
展開 VISION控制器標定及網絡分析工具
VISION 標定和數據采集軟件是一個集成工具包，各個工具包可以無縫組合在一起，提供集成的可定制的應用程序，從而能夠實現標定和數據分析功能，包括從電子控制單元及外部源收集數據，測量輸入和輸出之間關系，實現閉環控制系統的實時標定和校準，全部信息的時差校正和分析，標定數據變化的管理，以及電子控制單元(ECU) 的編程等。
基本特征
VISION 專注于可定制性、擴展兼容性、簡化步驟、并行任務、以及可編程性以簡化工作；加快ECU 的開發過程。
PIDO智能仿真 | Ansys Mechanical聯合optiSLang實現材料參數標定
然而，通過參數標定的方式，可以根據特定的設計目標力-位移曲線，高效的找出能夠最佳實現功能需求的系列幾何參數，獲得最符合設計目標的插頭結構設計方案。
待標定幾何參數：部件1的13個幾何尺寸，部件2的2個幾何尺寸。
用于標定的力-位移曲線分為兩部分，第一階段部件為插入過程，期望的插入力緩慢增加且不超過100N，拔出力跳躍增長且達到150N。使用初始輸入參數得到的仿真結果不能滿足設計要求，通過敏感度分析和優化得出了最佳的設計幾何參數組。
插頭結構
期望/初始仿真力-位移曲線
敏感度分析結果-分析步CoP
敏感度分析結果、優化結果曲線
幾何參數標定獲得的最佳設計
2. 楔入劈拉試驗
材料的斷裂參數是難以直接測得的，然而利用參數標定的方式可以基于楔入劈拉試驗的測試數據反向求出未知的材料參數。
待標定參數為6個未知的彈性和斷裂材料參數：彈性模量、泊松比、抗拉強度、斷裂能量和2個形狀參數。
楔入劈拉試件
敏感度分析結果- CoP
參數標定結果
3. 超彈性材料的模型標定
對于超彈性材料來說，應變能密度函數中的材料常數確定了超彈性模型的力學響應。
展開 康謀技術 | 深入探討：自動駕駛中的相機標定技術
求出上述這些參數即完成了標定過程。</p><p><br></p><h1><strong>三、標定方法</strong></h1><p>標定方法是視覺領域中攝像頭校準的關鍵步驟，直接影響視覺系統的輸出結果。主要的標定方法包括自標定、根據參照物進行標定和基于主動視覺的標定法。</p><p>在這些方法中，張正友標定法因其簡便、高精度和廣泛的適用性而備受推崇。它利用雙平面棋盤格結構作為標定物，通過觀察棋盤格在不同視角下的圖像，可以計算出相機的內外參數。克服了傳統方法需要高精度標定物的缺點，并提高了自標定的精度。張氏標定法的主要貢獻在于提出了計算相機參數優化初值的方法，成為計算機視覺領域廣泛應用的標定方法之一。</p><p>張正友標定法的整體流程如下：</p><p>1. 制作標定板并從不同角度（平移、旋轉）拍攝若干張圖像（10-20張）。</p><p>2. 檢測圖像中的特征點。</p><p>3. 求解理想無畸變情況下的內參、外參。</p><p>4. 使用最小二乘法求出實際的徑向畸變參數。</p><p>5. 使用極大似然法優化估計，結合內參、外參、畸變參數，提升估計精度。</p><p>6. 得到實際的內參、外參、畸變參數。</p><p><br></p><p>相機標定是自動駕駛系統中不可或缺的一環，它直接影響到系統的感知能力和決策準確性。通過深入理解和掌握相機標定的技術要點，我們可以為自動駕駛車輛提供更加準確和可靠的視覺感知能力，推動自動駕駛技術的發展和應用。
展開 PFC巖石雙軸參數標定結果
雙軸試驗結果圖——塊體
這里使用我之前帖子里面講的雙軸試驗過程進行參數標定。
需要注意的是，不同成樣方式帶來的結果不盡相同，所以很多人用別人參數算自己模型發現結果不太對。因為級配、成樣方式有區別。比如我這里預壓是1e7，如果你預壓是1e6，那我的參數用到你那里就不太行了。
常規巖石的三軸試驗結果為
我這里只是標定強度參數，沒有研究變形。
強度參數有四個 fric是顆粒摩擦系數，pb_ten是膠結抗拉強度，pb_coh是膠結粘聚力，pb_fa是膠結內摩擦角。
以上灰色區域是形成的強度包線，類似于摩爾庫倫法則，多了一個抗拉強度。
很多朋友標定的時候發現內摩擦角過小，可以打開破壞模式看看，大部分都是拉壞，而剪壞才能體現球應力對強度的影響。所以一般來說膠結抗拉強度要大于膠結摩擦角。
我這里就采用5MPa和10MPa兩個圍壓來標定，我自己也寫了一個程序去計算內摩擦角和內聚力，在之前雙軸算例里面分享過了，這里就不加了，自己用excel也可以進行計算。
下面給出雙軸試驗結果：
結果1——應力應變曲線
結果2——位移場
結果3——力鏈圖
結果4——裂紋數目變化
這里給出我所做的幾個雙軸試驗標定的參數。
可以看到前幾個內摩擦角比較小，當我提高pb_fa和pb_ten后，整個的一個強度基本上和巖石差不多了。
后面可能會開個帖子和大家仔細講一下模型。這里主要是給出一些參數跟大家分享，也省去了大家去做參數標定的時間。
展開 用于標定和優化的高壓共軌柴油機建模
用于標定和優化的高壓共軌柴油機建模
韓強 楊福源 張京永 歐陽明高
清華大學汽車工程系 汽車安全與節能國家重點實驗室
摘要：高壓共軌柴油機可控燃油噴射參數的增加，在使對燃燒的控制更加靈活的同時也帶來標定和優化工作量顯著增加的問題。為適應高效率的需要，提出并研究了基于模型的標定優化，即采用神經網絡在一些工況點上建立模型，再通過自適應神經模糊推理系統（ANFIS）進行插值，將模型由這些工況點擴展到所需工況空間。模型精度由對象、建模所用數據量及模型參數調整共同決定。試驗在一臺六缸高壓共軌柴油機上進行。理論分析和試驗結果表明：該方法可以在保證精度的同時有效減少標定優化的試驗工作量。
關鍵詞：柴油機，高壓共軌，欲噴射，神經網絡，自適應神經模糊推理系統（ANFIS）
內容簡介：
1 模型整體結構
2 工況點上神經網絡建模
3 自適應神經模糊推理系統插值建模
4 模型性能檢查
5 結論
用于標定和優化的高壓共軌柴油機建模.pdf
展開 
浙江石化4.0Mt/a蠟油加氫裂化裝置開工標定
裝置標定
自開工以來，裝置各產品質量均達到了設計指標要求，總體運行負荷基本保持在95%以上。2020年5月4日和6日對裝置進行100%負荷標定，標定期間嚴格按照設計參數進行操作，裝置生產平穩，各項指標基本達到設計要求，催化劑使用效果良好。
01
原料質量要求
裝置標定期間原料由1號常減壓輕蠟油、2號常減壓輕蠟油、罐區冷蠟油穩定供給，混合原料性質設計值及標定值如表2所示。可以看出原料油各性質指標優于設計值。
02
主要操作條件
標定期間循環氫氫純度均在93%以上，循環氫機氣門開度為83.75%，流量1120dam3/h，出口壓力16.90MPa。反應器操作條件如表3所示。
從表3可以看出，兩反應器氫分壓、氫油比均高于設計值，各床層入口及出口溫度均低于設計值，R1001床層平均溫度為368.2℃，R1002床層平均溫度為349.0℃，符合催化劑設計初期活性溫度。該裝置反應器為同類最大(DN5800)，催化劑密相裝填量達762.4t。開工以來，反應器總壓力降穩定，維持在1.31~1.35MPa。反應器沿床層軸向存在2~3個熱點溫度，床層徑向溫差15~25℃，初步判斷可能與內構件設計、安裝及催化劑裝填有關。
03
主要產品質量
裝置標定期間主要產品質量見表4。
另外，重石腦油芳構化指數(N+2A)為58.3%、3號噴氣燃料煙點為26.8mm、冰點低于-70℃，柴油十六烷指數大于56.0，尾油芳烴指數值為12.1略高于設計。
展開 傳感器標定系統
漢航振動傳感器標定與校準系統是專為標定振動傳感器的靈敏度、頻響特性曲線及不確定度而設計，在本系統中，我們采用了多種標準及方法來校準振動傳感器，并生成傳感器校準報告。
漢航HS7710CA振動傳感器標定與校準系統
系統構成
漢航振動傳感器標定與校準系統主要由漢航自研數據采集硬件、NTS.LAB軟件、振動臺、功率放大器組成，其中數據采集硬件主要負責提供必要的輸入通道及信號輸出功能。
某單位使用漢航HS7710CA系統對傳感器進行校準
測試方法
? 絕對法校準
? 背靠背直接比較法校準
? 背靠背替換比較法校準
測試原理
絕對法校準-激光振動測量的基本原理
利用相干的激光束照射振動物體表面，由于光波多普勒效應，被物體表面反射回來的光會發生頻移，在光波波長一定時，決定這種頻移唯一的因素是振動面相對于觀察者的運動速度。利用光學和電子學的方法測出反射光的頻移，便可測得振動表面的各個振動參數，如振幅、振頻、速度和加速度等。
絕對法試驗原理
背靠背直接比較法
被測加速度計與參考加速度計背靠背安裝，假設兩個加速度計在垂直于安裝面的方向產生理想的線性運動，則二者在該方向是承受相同的振動。被測加速度計在該方向的靈敏度可由下式計算：
其中：
背靠背直接比較法校準步驟
背靠背替換比較法
背靠背替換比較法是將一個穩定性好的工作標準加速度計固定于振動臺上，然后用一個參考標準加速度計和一個被校加速度計與此相比較。替換法校準需要進行兩次背靠背測量：
這種技術可抵消大部分由于振動臺失真及測量儀器允差造成的不確定度分量。
展開 漢航振動傳感器標定與校準系統HS7710CA
使用NTS.LAB VCS軟件進行振動傳感器校準
總結
漢航振動傳感器標定與校準系統HS7710CA可對所有影響加速度計性能及測量不確定度的因素進行檢定，主要是通過對規定頻率下的軸向靈敏度的標定及頻率響應測量，來檢驗加速度計的技術狀態。用戶可以根據使用場景及精度需求，選擇不同的校準方法及信號類型。基于測試結果，NTS.LAB VCS軟件模塊還可快速生成校準報告，校準結果一目了然！
如需了解更多產品信息與應用詳情，歡迎您與我們聯系。
點擊下方藍色字體“閱讀原文”，了解更多信息。
常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 