D435i双目+IMU联合标定实战：从Kalibr环境搭建到VIO参数输出

手里有一台D435i，想做VIO或者VSLAM，最烦的事就是标定。尤其是如果你已经在跑ORB-SLAM3或者VINS-Fusion，很快会发现一个事实：跑不跑得动，往往不取决于算法本身，而取决于你喂给它的相机内参、相机间外参、IMU噪声密度这些“出厂设置”到底准不准。项目标题里的“RGB+双目+IMU联合标定”正是这套流程里最实用的组合。

先说结论：Kalibr这套工具，我用了几年，经历过Ubuntu16.04、18.04到现在的20.04，整体感受是——工具本身并不复杂，真正折磨人的是环境依赖、数据质量、标定板识别和时间戳同步这四个环节。任何一个没处理好，Kalibr就会给你一堆看不懂的残差图，然后敷衍地丢给你一个“Failed”的状态。所以这篇我不打算复制官方文档，而是把我从环境搭建到联合标定出结果的完整过程，以及中间踩过的坑，一步一步铺开来讲。

D435i在标定这件事上有个天然优势：它的双目是全局快门，RGB是卷帘快门，IMU内置且已经出厂做过初步标定。但这不代表你可以直接用出厂参数。相机镜头在运输、装配、温度变化之后，内参必定有偏差；IMU与相机之间的外参更是每个设备都不一样。VR轮椅、机械臂抓取、无人机避障，任何依赖视觉和惯性融合的系统，都绕不开这一步。

为了让你更清楚整个流程在做什么，下面这张表格先给你一个整体认知，后面每一个步骤都会展开细说：

在上表三个阶段中，前两个基本都是为第三个做数据准备。联合标定的核心思路，是让Kalibr把你录制的视觉运动轨迹和IMU积分出的轨迹放在同一个优化框架里对齐，从而解算出两个传感器坐标系之间的旋转和平移关系。理解了这一点，你对后面的参数设置和命令选项就不容易发怵了。

1. 为什么标定的成败往往在开始之前就决定了

很多教程会让你直接进入安装环节，但我建议你先花十分钟搞清楚“标定给谁用”这个问题。这决定了你整个过程中的分辨率选择、帧率设置和标定板尺寸。

1.1 用途决定标定策略

如果你是给VINS-Fusion做双目+IMU标定，那RGB相机内参和双目外参是必需的；如果你跑的是ORB-SLAM3的Stereo-Inertial模式，那IMU和双目之间的外参就是刚需。不同的使用场景，对精度的侧重点不同，但流程上完全一样，所以按照“RGB内参+双目外参+IMU联合外参”这一条线走下去，所有主流VIO框架都能覆盖。

从我反复测过的经验来看，有一个通用的原则：标定所用图像分辨率必须和算法运行时的分辨率一致。比如VINS-Fusion配置里设置的是640x480，那你标定时也一定用640x480去录。因为内参和畸变系数是跟随像素坐标系的，分辨率一变，内参直接失效。

1.2 D435i的传感器特性对标定的影响

D435i的RGB相机是卷帘快门（rolling shutter），左右两个红外相机是全局快门（global shutter）。这两个快门类型在标定时要用不同的相机模型。

我知道很多教程包括官方Wiki都会默认用pinhole-equi，因为D435i的广角镜头在边缘畸变比较大，等距畸变模型（equidistant）比radtan更好地描述这种大畸变。我实测下来的经验是：像D435i这种FOV比较大的镜头，pinhole-equi确实更稳定，Kalibr在优化时不容易发散；如果强行用pinhole-radtan，在图像边缘的投影误差会明显偏大。但pinhole-radtan在中心区域表达更简洁，所以也有人在中心裁剪后使用。这里我不做绝对结论，但默认pinhole-equi是D435i最稳妥的选择。

1.3 联合标定的物理前提：刚体连接要可靠

在做IMU-相机联合标定之前，你需要确保IMU和相机之间是刚性连接的。D435i出厂时已经把IMU固定在相机内部，这个刚性没问题。如果你用的是外置IMU（比如手持一个IMU模块贴在相机外壳上），一定要用胶水或机械结构固定牢靠，任何微小晃动都会直接变成联合标定里的残差。

另一个常被忽略的点是传感器之间的时间同步。D435i的ROS驱动会自动给图像和IMU数据打时间戳，但这只保证它们是同一个时钟域。Kalibr联合标定后还会优化出一个时间延时td，这个值通常很小（毫秒级），但如果你的驱动配置不当，延时可能达到几十毫秒，导致标定误差巨大。

2. Ubuntu20.04 + Noetic环境准备：依赖安装与Kalibr源码编译

Kalibr目前没有提供编译好的二进制包，必须从源码编译。在Ubuntu20.04上对应的ROS版本是Noetic，这里我直接给出整套可复现的步骤。

2.1 安装基础依赖

我假设你已经装好了Ubuntu20.04和ROS Noetic，如果还没有装ROS，建议先安装ros-noetic-desktop-full，然后按下面操作：

sudo apt update sudo apt install python3-rosinstall python3-catkin-tools python3-vcstool sudo apt install libeigen3-dev libboost-all-dev libopencv-dev sudo apt install libgoogle-glog-dev libsuitesparse-dev sudo apt install python3-pip pip3 install numpy scipy matplotlib

这里有个经验细节：Kalibr依赖的OpenCV版本必须与ROS Noetic自带的版本兼容。Noetic自带OpenCV 4.2，如果你系统里还有Anaconda环境，务必小心，编译时会因为Python路径不同导致链接错误。我的做法是：只在系统Python3环境下操作，conda全部绕过，否则sip、numpy这些模块很容易莫名其妙地报错。

2.2 下载并编译Kalibr

cd ~ mkdir -p kalibr_ws/src cd ~/kalibr_ws/src git clone https://github.com/ethz-asl/kalibr.git cd ~/kalibr_ws catkin build -DCMAKE_BUILD_TYPE=Release source ~/kalibr_ws/devel/setup.bash

编译时间取决于机器性能，大概5到15分钟。如果编译过程中出现fatal error: ...类的报错，绝大部分是依赖缺失，逐个apt install补上就行。

我遇到过比较典型的编译坑有两个：

1. Boost版本冲突：boost::format相关的编译错误，通常是系统存在多个Boost版本。这种情况建议把环境变量LD_LIBRARY_PATH里非系统的路径清干净再编译。
2. Python模块找不到：Kalibr的脚本有一部分是Python写的，如果编译时报No module named 'scipy'，说明Python环境路径不对。执行which python3，确认是/usr/bin/python3，而不是conda路径。

2.3 安装Intel RealSense ROS驱动

这一部分D435i需要专门的驱动，不能只用普通的UVC协议。我用的是realsense-ros，它会发布相机内参、图像话题和IMU话题。

sudo apt install ros-noetic-realsense2-camera

注意安装完毕后插上相机，运行：

roslaunch realsense2_camera rs_camera.launch

然后用rostopic list确认以下话题存在：

在录制标定数据之前，必须确保这几个话题都正常发布。如果/camera/imu没有输出，多半是驱动配置问题，需要在launch文件里加上enable_imu:=true。

roslaunch realsense2_camera rs_camera.launch enable_imu:=true

注意：D435i的IR图像虽然叫infra，但它输出的是灰度图，Kalibr完全可以直接处理。RGB图像分辨率默认是1280x720，IR分辨率是1280x720。在标定前，最好把RGB和IR分辨率统一设置为640x480，这样计算更快，对结果也没有实质影响。

3. 标定板准备与数据采集：最容易翻车的环节

数据采集质量决定标定精度，这不是一句空话。我见过太多人辛辛苦苦编译完Kalibr，结果因为Aprilgrid图像不清晰或者运动方式不对，标定出来全是垃圾数据。这一节我把数据采集的每个细节讲透。

3.1 Aprilgrid标定板：尺寸与打印方式

Kalibr官方支持三种标定板：Aprilgrid、Checkerboard、Circlegrid。我强烈推荐Aprilgrid，原因有三：

• Aprilgrid每个角点带有独立编码，即使部分遮挡也能识别；
• 角点检测精度高，亚像素级别；
• Kalibr对Aprilgrid的鲁棒性最好，不容易出现“误匹配跳变”。

Aprilgrid的制作可以自己写Python脚本生成，也可以直接用Kalibr仓库里的PDF模板。网上有很多现成的在线生成器，但我更建议用官方生成的aprilgrid_6x6.yaml，保证尺寸准确。

这里有一个非常关键的参数：正方形边长和间距比。官方默认的Aprilgrid是每个Black square边长0.024m（即2.4cm），间距为边长的0.5倍，即1.2cm。在生成yaml文件时，你只需要改tagSize和tagSpacing两个参数，然后打印时量一下边长，确保打印出来后与标称一致（至少精确到毫米级）。如果打印机缩放导致实物尺寸和配置不一致，标定出来的焦距尺度会整体偏移，这个误差很难通过后续流程发现。

推荐用激光打印、硬纸板或泡沫板裱起来，避免表面反光和折痕。标定板表面一定要平整，稍微有一点弯曲，在图像边缘就会产生很大的投影误差。

3.2 数据录制：分辨率、帧率与时长

接下来是录制环节。你需要准备两个录包：一个给内参标定，一个给联合标定。这两个录包的要求不同，我先用表格给你梳理清楚：

这里的核心区别我再强调一下：内参标定时，相机尽量保持静止，转动标定板或者缓慢移动标定板，确保每一帧画面里的标定板出现在不同位置、不同角度，尤其是图像边缘要覆盖到；联合标定时，标定板尽量固定不动，相机要多种姿态运动。

3.3 运动激励设计：为什么“匀速转圈”是错的

这么多教程里反复强调“充分激励IMU”，但很少有人具体告诉你什么是“充分”。我用自己的踩坑经历来说。

第一次做联合标定时，我拿相机在桌子上匀速画圈，录了两分钟，数据看起来很多，但Kalibr优化出来td值很大，imu-cam外参的方差也很大，怎么看都不对劲。后来仔细分析IMU激励质量才发现问题——IMU标定需要的不是位移，而是角速度和线加速度的持续变化。匀速运动时加速度计输出基本恒定，陀螺仪也几乎没输出，高频信息极缺。

一个有效的激励序列可以这样设计，每个动作持续1-2秒，循环重复：

1. 慢速旋转：分别绕X、Y、Z轴旋转，每次旋转至少90度；
2. 快速翻转：加速翻转90度后减速停住，制造大幅度角加速度；
3. 平移抖动：在X、Y、Z方向上快速平移并突然停止，制造线加速度冲击；
4. 自由旋转：做“8”字绕动，让多个轴同时变化。

录制全程保持标定板在视野内，避免突然出画导致视觉跟踪断裂。Kalibr官方推荐的激励风格也是“慢动作+急停+大角度旋转”，而不是持续匀速转圈。

录制命令用：

rosbag record /camera/color/image_raw /camera/infra1/image_rect_raw /camera/infra2/image_rect_raw /camera/imu -O d435i_calib.bag

录制完成后，立刻用下面命令检查bag里的话题频率和帧数，确保没有丢帧：

rosbag info d435i_calib.bag

我常用的检查标准：1分钟bag里，color图像至少800帧（15fps），infra图像至少1600帧（30fps），IMU至少12000条（200Hz）。如果差太多，建议重新录制，不要抱着“可能也能用”的心态继续。

4. RGB与双目内参标定：第一次跑通Kalibr

Kalibr内参标定的本质是：从多个视角的Aprilgrid图像中提取角点，通过重投影误差最小化来估计相机内参和畸变系数。如果只有单目，则只估计一个相机的内参；如果是双目，还会联合优化左右相机之间的外参。

4.1 准备标定板描述文件

在~/kalibr_ws/src/kalibr下新建一个aprilgrid.yaml，内容类似：

target_type: 'aprilgrid' tag_cols: 6 tag_rows: 6 tag_size: 0.024 tag_spacing: 0.3

注意这里tag_spacing是ratio（相对边长的比例），不同的Aprilgrid版本可能略有差异。如果你用的是官方6x6棋盘，tag_spacing=0.3是正确的；如果你自定义了间距，需要同步修改这里。一个良好的检查方法是：打印出来用尺子量10个格子的总宽，除以格子数得到的tagSize+spacing是否与配置文件一致。

4.2 运行RGB单目内参标定

先只标定RGB相机，命令如下：

source ~/kalibr_ws/devel/setup.bash rosrun kalibr kalibr_calibrate_cameras \ --bag ~/bagfiles/d435i_calib.bag \ --topics /camera/color/image_raw \ --models pinhole-equi \ --target ~/kalibr_ws/src/kalibr/aprilgrid.yaml \ --bag-from-to 5 80 \ --show-extraction

几个重要的参数解释：

• --models：相机模型，pinhole-equi表示针孔模型+等距畸变。如果畸变模型选择不当，解算出的内参会发散。D435i广角镜头用这个最稳。
• --bag-from-to：截取bag的时间段，单位秒。可以避开刚开始录制时相机参数未稳定的时段，也避开结束时手忙脚乱的一帧。
• --show-extraction：可视化角点提取结果，强烈建议加上，它可以让你看到每一帧里有没有误检。

运行后会在当前目录生成camchain-...-color.yaml、result-...-color.txt以及一张残差图。看到残差图里的reprojection error最好小于0.5像素。如果超过1像素，说明标定板角点提取质量不好或模型选择有误，需要重新检查。

4.3 双目内参+外参联合标定

现在把左右IR图像加进去，一次跑完双目标定：

rosrun kalibr kalibr_calibrate_cameras \ --bag ~/bagfiles/d435i_calib.bag \ --topics /camera/infra1/image_rect_raw /camera/infra2/image_rect_raw \ --models pinhole-equi pinhole-equi \ --target ~/kalibr_ws/src/kalibr/aprilgrid.yaml \ --bag-from-to 5 80 \ --show-extraction

Kalibr会同时估计两个相机各自的内参，以及两个相机坐标系之间的相对变换T_C1_C2。如果你后续还要做RGB+双目联合，也可以直接把三个话题一起传进去：

rosrun kalibr kalibr_calibrate_cameras \ --bag ~/bagfiles/d435i_calib.bag \ --topics /camera/color/image_raw /camera/infra1/image_rect_raw /camera/infra2/image_rect_raw \ --models pinhole-equi pinhole-equi pinhole-equi \ --target ~/kalibr_ws/src/kalibr/aprilgrid.yaml \ --bag-from-to 5 80 \ --show-extraction

这里有一个D435i特有的细节：RGB相机和IR相机物理位置不同，RGB相机和IR相机的内参必须分别标定，不能互相替代。原因在于它们的镜头畸变差异很大，出厂标定文件里也分别是不同的参数。

4.4 内参结果质量判断

标定完成后，打开生成的result文本，重点看两个指标：

如果RMS偏高，我建议优先检查图像是否运动模糊。Kalibr对图像清晰度的敏感程度远超你想象，尤其是rolling shutter的RGB图像，快速移动时帧与帧之间会出现明显的“果冻效应”。所以内参标定时相机保持静止、标定板保持静止或极慢移动，是关键中的关键。

5. IMU误差模型的离线标定：imu_utils与Allan方差

很多人以为Kalibr只做视觉和IMU联合标定就够了，但Kalibr联合标定需要输入IMU的噪声密度和随机游走。这两个参数如果不准，联合标定得到的IMU-相机外参会“自我欺骗”——优化过程会通过外参吸收IMU误差，导致最终结果与实际物理变换明显不符。

5.1 为什么要先标定IMU噪声参数

IMU的噪声模型通常用Allan方差来提取：

• 噪声密度（noise density）：代表白噪声水平，单位是°/h或°/sqrt(h)；
• 随机游走（random walk）：代表积分之后漂移的增加速率。

Kalibr在联合标定中需要这两个值作为优化先验，同时也作为对外参标定时IMU轨迹可信度的权重。如果你随便填一个经验值，不是不能用，但结果的可靠性会打折扣。既然这是“全流程标定”，就不能省这一步。

5.2 使用imu_utils采集静止数据

先从源码编译imu_utils：

cd ~/kalibr_ws/src git clone https://github.com/gaowenliang/imu_utils.git git clone https://github.com/gaowenliang/code_utils.git cd ~/kalibr_ws catkin build code_utils imu_utils source ~/kalibr_ws/devel/setup.bash

编译过程中常见的坑是sensor_msgs/Imu头文件找不到，需要确认roscpp、sensor_msgs都已安装。如果code_utils编译报错，试着先单独编译code_utils，再把imu_utils加进去。

静止数据采集很简单，把相机放在稳定平台上（桌面即可），不要触碰，记录2小时IMU数据：

rosbag record /camera/imu -O imu_static.bag

2小时听起来很久，但它影响的是Allan方差在低频段的置信度。如果你时间紧张，至少录1小时，但结果方差会稍大。我没开玩笑，很多实验室机器人标定间里就是这么扔着一台相机录一上午的。

5.3 运行imu_utils分析

在imu_utils的launch目录下创建一个imu_utils.launch:

<launch> <node pkg="imu_utils" type="imu_an" name="imu_an" output="screen"> <param name="imu_topic" type="string" value="/camera/imu"/> <param name="imu_name" type="string" value="d435i"/> <param name="data_save_path" type="string" value="$(find imu_utils)/data/"/> <param name="max_time_min" type="int" value="120"/> <param name="min_time_min" type="int" value="90"/> </node> </launch>

然后用rosbag play回放采集的静止数据：

roslaunch imu_utils imu_utils.launch rosbag play imu_static.bag

当bag回放结束后，imu_utils会生成一组YAML文件，里面包含了IMU的噪声密度和随机游走。打开d435i_imu.yaml，你会看到类似下面的内容：

gyr: noise_density: 1.5e-03 random_walk: 2.1e-05 acc: noise_density: 2.4e-03 random_walk: 1.2e-04

这两个数值就是后续联合标定中imu.yaml里需要的参数。

注意：不同D435i个体、不同固件版本，IMU参数会有差异。不要直接抄别人博客里的数值，宁可多花2小时自己采，也不要省这一步。

6. IMU-相机联合标定：从外参到时间延时的完整输出

到了这一步，你已经有了双目/RGB内参、IMU噪声参数、一个包含丰富运动的录包。接下来就是Kalibr整套工具里最贵的一步——联合标定。

6.1 准备IMU描述文件

创建一个d435i_imu.yaml：

# 注意：这里的数值来自你imu_utils的结果，不要照抄 imu_model: calibrated gyroscope_noise_density: 1.5e-03 gyroscope_random_walk: 2.1e-05 accelerometer_noise_density: 2.4e-03 accelerometer_random_walk: 1.2e-04

imu_model: calibrated表示我们假设IMU的尺度因子和轴间误差已经由出厂标定处理过，只需要估计噪声参数。如果你的IMU没有出厂校准数据，可以选择imu_model: scale-misalignment，让Kalibr额外估计尺度与轴间误差，但这样需要的激励更强、参数更多、优化更脆，所以我建议对D435i使用默认的calibrated。

6.2 联合标定命令与参数

rosrun kalibr kalibr_calibrate_imu_camera \ --bag ~/bagfiles/d435i_calib.bag \ --cam ~/kalibr_ws/src/kalibr/camchain-...yaml \ --imu ~/kalibr_ws/src/kalibr/d435i_imu.yaml \ --target ~/kalibr_ws/src/kalibr/aprilgrid.yaml \ --time-calibration \ --do-show-extraction

其中：

• --cam：指向第4步双目标定时生成的camchain文件。这个文件里包含左右相机内参、畸变系数、以及相机间外参。
• --imu：指向IMU描述文件。
• --time-calibration：让Kalibr同时估计视觉与IMU之间的时间延时td。如果你的驱动时间戳已经严格对齐，也可以不加；但加了通常无害，反而能在结果里给出一个参考值。
• --do-show-extraction：可视化角点提取效果，强烈推荐加。

运行过程一般需要几分钟到十几分钟。Kalibr会显示一个“Optimization problem”的输出，里面包含相机外参、IMU外参、重投影误差、IMU误差等多项指标。

6.3 解读标定结果

运行结束后，会生成camchain-imucam-...yaml和result-imucam-...txt。打开结果文件，关注几个关键信息：

实际操作中，我遇到过td输出为0.08秒甚至更大的情况。这种结果通常说明时间戳同步有问题或者bag录制过程中有话题延迟，建议先检查驱动参数，而不是强行信任这个结果。D435i的驱动在正常配置下td应该在毫秒级。

D435i的IMU坐标系朝向和相机坐标系有明确的物理关系：IMU的X轴一般指向相机前方，Y轴指向下方，Z轴指向右方。标定结果里的旋转矩阵如果和你预期差异很大，先怀疑数据问题，再去检查机械安装。

6.4 外参转换：从Kalibr到VINS-Fusion

联合标定完的T_ci是IMU到相机的变换，但很多框架（比如VINS-Fusion）内部使用的是相机到IMU的变换，也就是T_ic。两者是逆矩阵关系：

python3 -c " import numpy as np # 从yaml里读到的T_ci（4x4矩阵） T_ci = np.array([...]) T_ic = np.linalg.inv(T_ci) print(T_ic) "

VINS-Fusion的配置文件中body_T_cam填的就是T_ic，即从相机坐标系到IMU（body）坐标系的变换。这个方向搞反是新手最容易犯的错误，也是标定结果“看起来对但实际跑起来完全乱飘”的终极原因之一。

7. 排错实录：我见过的Kalibr各种翻车现场

这一节不按套路总结，我直接把真实踩过的坑和排查链路写出来，每个问题都配了排查思路，希望对你有直接借鉴。

7.1 角点检测数量为零

现象：--show-extraction窗口里，图像上没有任何Aprilgrid角点被画出来，终端提示检测到0个角点。

排查链路：

1. 先看图像是否过暗或过曝。Aprilgrid是黑底白块，如果标定板区域反光严重，检测器很容易失败。解决方法是调整相机曝光，或者换个角度打光；
2. 检查yaml文件里的tagCols和tagRows是否和真实打印板一致。如果你打印的是6x6，配置里写成了6x7，那任何一帧都检测不出来；
3. 检查bag里的图像话题是否真的是原始图像，而不是已经做过rectify的图像。D435i的image_rect_raw理论上是未矫正的原始图像，如果误用了image_color_rect，图像已经被厂商畸变矫正过，Kalibr再做一次标定会得到错误内参。

7.2 标定过程中突然发散，残差图出现“飞点”

现象：优化过程中loss下降了一段后突然增大，残差图出现大量离群点。

排查链路：

最直接的原因是bag中包含了几帧运动模糊严重的图像。内参标定时相机应该尽量静止，联合标定时相机虽然运动但画面中Aprilgrid不能大面积模糊。我习惯在用--show-extraction时通过键盘暂停回放，逐帧查看哪些帧的角点质量差，然后在--bag-from-to或额外的帧过滤选项中剔除它们。

其次要检查标定板是不是距离相机太远。Aprilgrid的每个黑色方块在图像中至少要占10个像素以上，否则角点提取的亚像素精度急剧下降。D435i的640x480分辨率下，标定板边长2.4cm，距离相机0.5到1.5米范围内通常表现最好。

7.3 联合标定后外参平移量为零

现象：优化后的T_ci平移部分几乎为0，明显不符合物理实际（D435i的RGB和IMU物理距离至少有几厘米）。

排查链路：

出现这种情况，十有八九是传入的camchain文件里只有单目信息，Kalibr找不到双目约束，导致平移自由度没有被充分约束。解决方法是确认--cam指向的文件确实包含双目外参，而不是单目标定结果。还有就是联合标定录包中，相机必须做充分的旋转运动，如果全程几乎只有平移没有旋转，平移量也会退化到不可观测。

7.4 与D435i出厂内参对不上

现象：标定出来的焦距、主点和官方rs-enumerate-devices输出的内参有明显差异，怀疑自己标错了。

排查链路：

先确认你标定时用的分辨率和官方内参的分辨率一致。D435i出厂内参通常是1280x720的，而你标定时用640x480，换算关系是官方焦距/2。如果按比例换算后误差仍在5%以上，再检查是否在rs_camera.launch里误开了enable_sync或align_depth，这会影响图像时间戳和尺寸。

另一个容易被忽视的点：D435i的RGB相机视场角和左右IR相机不同。RGB镜头在1280x720下水平视场约69度，IR镜头约87度。如果你在标定IR相机时用RGB的内参来近似，误差会很大。所以一定要分开标定。

7.5 时间戳精度问题

现象：联合标定结果的td很大，或者优化结果里IMU误差项残差一直下不来。

排查链路：

检查realsense2_camera驱动的参数，确保没有开启enable_sync之外的其他时间戳处理选项。同时查看bag里/camera/imu的topic频率是否稳定。如果IMU发布频率在150Hz到250Hz之间大幅波动，说明驱动或者USB带宽出了问题。D435i是USB3.0设备，建议插在USB3.0接口上，不要用USB2.0转接或HUB，否则带宽不够会导致图像和IMU时间戳全部混乱。

有条件的可以用rostopic hz /camera/imu实时观察频率，正常情况应稳定在200Hz左右。

7.6 Kalibr结果应该怎么验证

标定完成不代表万事大吉。我每标完一次，都会做下面三个验证：

1. 残差验证：直接看result-imucam-...txt里的重投影误差和IMU误差，如果比官方示例大一个数量级，基本可以判断标定失败，重新录数据再试；
2. VIO实跑验证：把标定结果写入VINS-Fusion配置，在纹理丰富、光线良好的环境跑10分钟，观察相机位姿和IMU位姿是否一致。如果轨迹起飞、漂移巨大，问题大概率在外参或者时间延时；
3. 静止验证：把相机放在桌面静止不动，观察VIO输出的速度和位姿是否接近零。如果静止时速度漂移严重，说明IMU噪声参数或外参有一项不准。

这三个验证都不复杂，但能帮你拦住90%以上的标定质量问题。

8. 回调一个小细节：把标定结果归档好

标定完成后，建议把camchain、imu.yaml、以及最终联合标定的result-imucam.yaml放到一个固定目录，并记录相机的SN号、固件版本、分辨率、日期。不要小看这个习惯，因为D435i的固件升级后，内参和IMU噪声特性可能发生轻微变化，一个良好的归档能让你快速识别“是不是这个相机标定没跟上，导致VIO表现变差的”。对于长期维护机器人系统的人来说，这比多跑一次标定重要得多。

就我个人经验来说，标定这事看起来繁琐，但一次完整流程跑下来之后，你对Kalibr的底层逻辑和相机传感器的理解会深很多。后面再遇到双目、多目相机或者其他IMU传感器，其实都是同一套思路：数据质量是上限，工具是实现手段，理解才是长期收益。希望这篇能帮你少走几趟弯路，把时间花在真正有意思的算法和工程问题上。