RealSense D455 相机-IMU 标定：Kalibr 之外的替代方案

Kalibr 确实是视觉–惯性传感器（如 D455 的相机 + IMU）外参标定的 经典、高精度方案，但它对硬件操作、数据采集和计算要求较高。如果你希望 更简单、更快上手、或适配 ROS 2 / RealSense 特性，本文介绍多种替代路线供你选择。

📋 目录

标定基础知识
方案 1：使用 RealSense 出厂外参（最简单）
方案 2：rs-imu-calibration（IMU 内参校准）
方案 3：imu_utils + 手动外参估计
方案 4：Basalt 在线标定（进阶替代）
方案 5：从 TF 树读取外参
路线选择建议
附录：Kalibr Docker 快速上手

标定基础知识

什么需要标定？

参数类型	内容	影响
相机内参	fx, fy, cx, cy, 畸变系数	像素坐标 ↔ 相机坐标转换精度
IMU 内参	bias, scale, misalignment	IMU 测量值校正
IMU-Camera 外参	旋转 R + 平移 t（`T_imu_cam`）	传感器融合的坐标对齐
时间偏移	IMU 与相机的时间戳差	时空同步精度

标定精度对 VIO 的影响

外参误差            →  轨迹漂移
  ↓
旋转误差 1°        →  100m 处约 1.7m 横向偏移
平移误差 1cm       →  直接传递到位置估计
时间偏移 10ms      →  高速运动时严重错位

💡 好消息：OpenVINS 的 MSCKF 框架对初始外参误差有一定容忍度，只要不太离谱（< 5°旋转、< 5cm 平移）。

方案 1：使用 RealSense 出厂外参（最简单）

适用场景

✅ 快速验证、学习、非高精度任务
✅ 初次接触 VIO/SLAM
✅ D455 出厂校准精度已相当不错（~毫米级）

获取出厂外参

# 安装 RealSense SDK（如未安装）
sudo apt install librealsense2-utils

# 查看设备详细信息
rs-enumerate-devices -v

输出中会包含 Motion Module 到各传感器的变换：

Motion Module:
  ...
  Extrinsic from "Gyro" To "Color":
    Rotation Matrix:
      [  0.999977,   0.006456,  -0.002135]
      [ -0.006459,   0.999979,  -0.001023]
      [  0.002128,   0.001037,   0.999997]
    Translation Vector: [0.014851, 0.000455, 0.000367]

转换为 OpenVINS 格式

# T_imu_cam0: 从相机坐标系到 IMU 坐标系的变换
# 需要将上述 "Gyro to Color" 转换为 4x4 齐次矩阵

T_imu_cam0:
  - [0.999977,  0.006456, -0.002135, 0.014851]
  - [-0.006459, 0.999979, -0.001023, 0.000455]
  - [0.002128,  0.001037,  0.999997, 0.000367]
  - [0.0,       0.0,       0.0,      1.0]

Python 转换脚本

#!/usr/bin/env python3
"""从 RealSense 提取外参并转换为 OpenVINS 格式"""

import pyrealsense2 as rs
import numpy as np

def get_extrinsics():
    ctx = rs.context()
    devices = ctx.query_devices()
    
    if len(devices) == 0:
        print("未检测到 RealSense 设备")
        return
    
    dev = devices[0]
    
    # 获取传感器
    sensors = dev.query_sensors()
    
    for sensor in sensors:
        if sensor.is_motion_sensor():
            # 获取 IMU 配置
            profiles = sensor.get_stream_profiles()
            for profile in profiles:
                if profile.stream_type() == rs.stream.gyro:
                    gyro_profile = profile
                    break
        elif sensor.is_color_sensor():
            profiles = sensor.get_stream_profiles()
            for profile in profiles:
                if profile.stream_type() == rs.stream.color:
                    color_profile = profile
                    break
    
    # 获取外参
    extrinsics = gyro_profile.get_extrinsics_to(color_profile)
    
    # 转换为 4x4 矩阵
    R = np.array(extrinsics.rotation).reshape(3, 3)
    t = np.array(extrinsics.translation)
    
    T = np.eye(4)
    T[:3, :3] = R
    T[:3, 3] = t
    
    print("T_imu_cam0 (OpenVINS 格式):")
    print("T_imu_cam0:")
    for row in T:
        print(f"  - [{row[0]:.6f}, {row[1]:.6f}, {row[2]:.6f}, {row[3]:.6f}]")

if __name__ == "__main__":
    get_extrinsics()

✅ 推荐你先用这个，90% 的初学者/实验者完全够用。

方案 2：rs-imu-calibration（IMU 内参校准）

作用

校准 IMU 的 bias、scale、misalignment（即 IMU 内参），不校外参。

适用场景

怀疑 IMU 本身不准（静止时加速度计不为 9.8 或陀螺不为 0）
长期使用后 IMU 特性漂移

安装与使用

# 工具已包含在 librealsense2-utils 中
# 或从源码编译：https://github.com/IntelRealSense/librealsense/tree/master/tools/rs-imu-calibration

# 运行校准
rs-imu-calibration

校准流程

将 D455 放置在稳定平面上
按提示将设备放置在 6 个不同朝向（±X, ±Y, ±Z）
每个朝向保持静止约 4 秒
工具自动计算校准参数并写入设备 EEPROM

输出示例

Calibration completed successfully!
Accel Bias:   [0.012, -0.008, 0.045] m/s²
Gyro Bias:    [0.0012, -0.0008, 0.0003] rad/s
Scale Factor: [1.002, 0.998, 1.001]

⚠️ 注意：此工具仅校准 IMU 内参，仍需配合 Kalibr 或其他工具来标 IMU–Camera 外参。

方案 3：imu_utils + 手动外参估计

原理

IMU 静止时，加速度计方向应指向重力方向（即世界 Z 轴）
结合相机看到的水平面，可粗略反推相对朝向

imu_utils 工具

GitHub: https://github.com/gaowenliang/imu_utils

# ROS 1 环境下安装
cd ~/catkin_ws/src
git clone https://github.com/gaowenliang/imu_utils.git
git clone https://github.com/gaowenliang/code_utils.git
cd ..
catkin_make

使用方法

采集静态 IMU 数据（约 2 小时）

# 录制 bag
rosbag record /camera/imu -O imu_static.bag

分析噪声参数

roslaunch imu_utils d455_imu.launch
rosbag play imu_static.bag

输出 Allan 方差分析结果

# 输出文件：d455_imu_param.yaml
gyr_n: 0.005        # 陀螺仪白噪声
gyr_w: 0.0001       # 陀螺仪随机游走
acc_n: 0.01         # 加速度计白噪声
acc_w: 0.0002       # 加速度计随机游走

局限性

❌ 只能估计 旋转部分（无法得平移）
❌ 精度低
⚠️ 不推荐用于 OpenVINS 的外参，仅作调试参考

方案 4：Basalt 在线标定（进阶替代）

简介

Basalt 是苏黎世联邦理工（ETH Zurich）开发的视觉惯性里程计系统，支持 在线标定 IMU-Camera 外参 + 内参 + 延迟。

GitHub: https://gitlab.com/VladyslavUsenko/basalt

优势

对比项	Kalibr	Basalt
标定模式	离线（需录制 bag）	在线（实时优化）
数据采集要求	严格（需匀速运动）	宽松（手持随意走动）
计算时间	数小时	实时
ROS 支持	ROS 1	ROS 1 + 自定义格式

安装（Ubuntu 22.04）

# 安装依赖
sudo apt install cmake git libeigen3-dev libfmt-dev \
    libglew-dev libopencv-dev libtbb-dev libpangolin-dev

# 克隆源码
git clone --recursive https://gitlab.com/VladyslavUsenko/basalt.git
cd basalt

# 编译
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=RelWithDebInfo
make -j$(nproc)

使用 Basalt 进行在线标定

# 运行标定模式
./basalt_calibrate \
    --dataset-path /path/to/euroc_format_data \
    --dataset-type euroc \
    --result-path ./calibration_result \
    --cam-calib /path/to/initial_calib.json

输出格式转换

Basalt 输出 JSON 格式，需转换为 OpenVINS YAML：

import json
import yaml

with open('calibration_result.json') as f:
    basalt_calib = json.load(f)

# 提取 T_imu_cam
T_imu_cam = basalt_calib['T_imu_cam'][0]

openvins_config = {
    'T_imu_cam0': T_imu_cam
}

with open('openvins_extrinsics.yaml', 'w') as f:
    yaml.dump(openvins_config, f)

方案 5：从 TF 树读取外参

适用场景

使用 robot_state_publisher 发布机器人模型
URDF/Xacro 中已定义传感器外参

原理

┌─────────────────────────────────────────────────────┐
│                    TF 树                             │
│                                                     │
│    base_link ──▶ imu_link ──▶ camera_link          │
│                     │              │                │
│                     └──────────────┘                │
│                      T_imu_cam                      │
└─────────────────────────────────────────────────────┘

从 TF 获取变换

# 查看 TF 树
ros2 run tf2_tools view_frames

# 获取两个坐标系之间的变换
ros2 run tf2_ros tf2_echo imu_link camera_color_optical_frame

输出：

At time 0.0
- Translation: [0.015, 0.000, 0.000]
- Rotation: in Quaternion [0.000, 0.000, 0.000, 1.000]

转换为 OpenVINS 格式

from scipy.spatial.transform import Rotation
import numpy as np

# TF 输出的四元数和平移
quat = [0.0, 0.0, 0.0, 1.0]  # [x, y, z, w]
trans = [0.015, 0.0, 0.0]

# 转换为旋转矩阵
R = Rotation.from_quat(quat).as_matrix()

# 构建 4x4 变换矩阵
T = np.eye(4)
T[:3, :3] = R
T[:3, 3] = trans

print("T_imu_cam0:")
for row in T:
    print(f"  - [{', '.join(f'{v:.6f}' for v in row)}]")

路线选择建议

你的目标	推荐路线
快速跑通 OpenVINS	✅ 直接用 RealSense 出厂外参（`rs-enumerate-devices -v`）
提升精度（科研/产品）	✅ Kalibr（高精度）或 ✅ Basalt（在线自动标定）
仅校 IMU 本身不准	✅ `rs-imu-calibration`
不想装 ROS 1 / 只用 ROS 2	✅ 出厂外参 + 在线 VIO（如 Basalt ROS2 wrapper）
手持随意走动标定	✅ Basalt（比 Kalibr 对采集要求低）
已有 URDF 模型	✅ 从 TF 树读取外参

针对 D455 + Ubuntu 22.04 + ROS 2 Humble + OpenVINS 学习

强烈建议先用出厂外参跑通流程 → 看轨迹是否合理 → 再决定是否标定。

┌─────────────────────────────────────────────────────┐
│                   推荐学习路径                       │
│                                                     │
│  1. 出厂外参 ──▶ 跑通 OpenVINS ──▶ 观察轨迹          │
│        │                              │             │
│        │                              ▼             │
│        │                      轨迹合理？            │
│        │                      /      \             │
│        │                    是        否            │
│        │                    │          │            │
│        │                    ▼          ▼            │
│        │               继续使用    考虑 Kalibr       │
│        │                          或 Basalt        │
└─────────────────────────────────────────────────────┘

附录：Kalibr Docker 快速上手

如果你后续确实需要 Kalibr，使用 Docker 可避免 ROS 1 环境冲突。

拉取 Docker 镜像

docker pull stereolabs/kalibr:kinetic

准备 AprilGrid 标定板

下载打印文件：https://github.com/ethz-asl/kalibr/wiki/downloads

推荐配置：

# april_6x6.yaml
target_type: 'aprilgrid'
tagCols: 6
tagRows: 6
tagSize: 0.024          # 每个 tag 的边长（米）
tagSpacing: 0.3         # tag 间距比例

录制标定数据

# ROS 2 环境下录制
ros2 bag record /camera/color/image_raw /camera/imu -o calibration_data

# 转换为 ROS 1 bag（Kalibr 需要）
# 使用 rosbags 工具：pip install rosbags
rosbags-convert calibration_data/ --dst calibration_data.bag

运行 Kalibr

docker run -it --rm \
    -v $(pwd):/data \
    stereolabs/kalibr:kinetic \
    rosrun kalibr kalibr_calibrate_imu_camera \
        --bag /data/calibration_data.bag \
        --cam /data/cam_chain.yaml \
        --imu /data/imu.yaml \
        --target /data/april_6x6.yaml

采集技巧

充分激励所有轴：绕 X、Y、Z 轴各旋转 ±90°
平稳运动：避免剧烈晃动
覆盖整个视野：让标定板出现在画面各处
持续 60-120 秒

🔗 相关链接

[[ROS2 Humble + OpenVINS 源码编译]]
[[OpenVINS 参数配置详解]]
[[Kalibr 完整标定教程]]
[[Basalt VIO 系统介绍]]

🔄 更新日志

2025-12-22: 创建初始版本，涵盖 6 种标定替代方案

最后更新： 2025-12-22
维护者： Jesse

RealSense D455 相机-IMU 标定：Kalibr 之外的替代方案#

📋 目录#

标定基础知识#

什么需要标定？#

标定精度对 VIO 的影响#

方案 1：使用 RealSense 出厂外参（最简单）#

适用场景#

获取出厂外参#

转换为 OpenVINS 格式#

Python 转换脚本#

方案 2：rs-imu-calibration（IMU 内参校准）#

作用#

适用场景#

安装与使用#

校准流程#

输出示例#

方案 3：imu_utils + 手动外参估计#

原理#

imu_utils 工具#

使用方法#

局限性#

方案 4：Basalt 在线标定（进阶替代）#

简介#

优势#

安装（Ubuntu 22.04）#

使用 Basalt 进行在线标定#

输出格式转换#

方案 5：从 TF 树读取外参#

适用场景#

原理#

从 TF 获取变换#

转换为 OpenVINS 格式#

路线选择建议#

针对 D455 + Ubuntu 22.04 + ROS 2 Humble + OpenVINS 学习#

附录：Kalibr Docker 快速上手#

拉取 Docker 镜像#

准备 AprilGrid 标定板#

录制标定数据#

运行 Kalibr#

采集技巧#

🔗 相关链接#

🔄 更新日志#

RealSense D455 相机-IMU 标定：Kalibr 之外的替代方案

📋 目录

标定基础知识

什么需要标定？

标定精度对 VIO 的影响

方案 1：使用 RealSense 出厂外参（最简单）

适用场景

获取出厂外参

转换为 OpenVINS 格式

Python 转换脚本

方案 2：rs-imu-calibration（IMU 内参校准）

作用

适用场景

安装与使用

校准流程

输出示例

方案 3：imu_utils + 手动外参估计

原理

imu_utils 工具

使用方法

局限性

方案 4：Basalt 在线标定（进阶替代）

简介

优势

安装（Ubuntu 22.04）

使用 Basalt 进行在线标定

输出格式转换

方案 5：从 TF 树读取外参

适用场景

原理

从 TF 获取变换

转换为 OpenVINS 格式

路线选择建议

针对 D455 + Ubuntu 22.04 + ROS 2 Humble + OpenVINS 学习

附录：Kalibr Docker 快速上手

拉取 Docker 镜像

准备 AprilGrid 标定板

录制标定数据

运行 Kalibr

采集技巧

🔗 相关链接

🔄 更新日志