企业官网建设流程全解析

1. 为什么测距会选 AprilTag 而不是二维码、AruCo 或特征点

AprilTag 从 2011 年被 Edwin Olson 提出来之后，一直是机器人和机器视觉里用得最多的视觉基准之一。我最早把 AprilTag 捡起来用，不是因为它能“识码”，而是因为它能“算位置”——尤其是在单目相机下，把标签到相机的实际距离估算出来。后来做移动机器人避障、无人机定点降落、AGV 对接这类项目，AprilTag 测距几乎成了默认的第一版方案。这篇文章写的是我一直沿用的完整实现路径：从标签角点到单应矩阵，再从单应矩阵分解出旋转和平移，最后换算成你要的那个“厘米级大概距离”。

有人会问，现在深度相机、双目相机都便宜了，为什么还要跟单目和 AprilTag 死磕？因为我做过几个项目后发现，AprilTag 测距最大的优势不是“精度最高”，而是“部署最快、成本极低、且在近中距离内足够好用”。这篇文章不是要证明它比双目准，而是把这条路径讲清楚：怎么从一张普通 RGB 图，通过单应矩阵，算出标签和你之间的实际距离。

不管你是跑 RoboMaster 的，还是在实验室做视觉定位，又或者只是想把机器人从“看得见标签”升级成“知道标签有多远”的爱好者，这套流程都可以直接抄走。代码我全部用 Python 写，核心依赖是 OpenCV 和 apriltag 检测库，所有关键公式我都会给出来，并说明参数为什么要这样设，方便你换成 C++ 或其他语言也能落到自己的项目里。

1.1 单应矩阵把“平面世界”和“图像平面”连起来

先理清一个最容易绕晕的概念：相机拍照，本质上是一个 3D 空间到 2D 图像的投影过程。一个世界坐标系里的点，经过相机的外参（旋转 R、平移 t）变换到相机坐标系，再经过内参矩阵 K 投影到像素平面，最终得到图像上的坐标。

用公式写就是：

s * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

其中 s 是尺度因子，因为从 3D 到 2D 会丢掉深度信息。

但这里有个特殊情况：如果所有目标点都在同一个平面上，比如 AprilTag 贴在地面、贴在墙上、贴在机械臂末端，那么我们可以把那个平面的 Z 坐标定义为 0。于是公式一下子简化成：

s * [u, v, 1]^T = K * [r1, r2, t] * [X, Y, 1]^T

这里的 3x3 矩阵 K * [r1, r2, t]，就是我们说的单应矩阵 H。它直接完成“平面上的点”到“图像上的点”的映射，不关心那个点在平面之外的高度。换句话说，单应矩阵是专门给平面目标量身定做的一个数学模型。

为什么 AprilTag 测距一定要用单应矩阵？因为一个 3x3 的单应矩阵有 8 个自由度（整体尺度不计），每对 2D-2D 对应点能提供两个约束，所以要解出 H 至少需要 4 个点。一个方形 AprilTag 恰好有 4 个角点，不多不少，正好满足最小需求。这 4 个角点一旦被检测出来，就可以唯一确定一个单应矩阵，再配合相机内参 K，就能把旋转和平移拆出来。距离，本质上就是那个平移向量 t 的模长。

1.2 AprilTag 的三个工程优势

很多人第一反应是：那直接用二维码不行吗？或者 OpenCV 里的 AruCo 不行吗？

我在实际项目里三个都试过，AprilTag 在这件事上确实有它不可替代的地方。

第一，二维码的定位能力在设计时更多考虑的是“扫码识别”，它的寻像图形占了很大面积，一旦部分反光、遮挡、或者角度过大，解码率下降非常明显。AprilTag 的图案设计从一开始就是给机器视觉用的，内部编码区域和定位边缘做了权衡，角度偏、光线暗、轻微遮挡的情况下，角点检测依然能稳住。

第二，AruCo 和 AprilTag 同为二进制方格类标签，但 AprilTag 的检测器在角点输出上做了边缘优化和亚像素细化。测距这个东西，角点偏 0.5 个像素，远距离下距离就能偏出好几厘米，角点质量比解码成功与否更关键。

第三，AprilTag 的编码冗余设计让误检率很低。你贴一排标签，它不太会把 tag 5 认成 tag 6。这在多标签定位场景里非常重要，因为一旦 id 认错，后面的距离和位姿就全乱了。

还有一个非常重要的实际原因：AprilTag 在嵌入式平台上跑得非常快。树莓派或者 Jetson Nano 上，1280x720 分辨率处理一帧也就是几毫秒到十几毫秒，完全跟得上实时控制循环。很多机器人项目的第一版视觉方案，与其急着上深度学习，不如先老老实实把 AprilTag 这套跑通，能用它解决的问题，成本最低。

2. 动手前先把相机模型、坐标系和标签尺寸理清

很多教程上来就贴代码，跑通之后换个相机、换个标签尺寸就废了。根本原因是没有把“相机内参”和“标签坐标系”这两件事理解透。所以我强烈建议，写代码之前，先花十分钟把下面这三个问题想清楚。

2.1 相机内参 K 到底在测距里扮演什么角色

相机内参矩阵 K 长这样：

K = [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]

fx、fy 是焦距，单位不是毫米，而是像素。cx、cy 是主点，也就是光轴和成像平面的交点，一般接近图像中心。这个矩阵描述的是“三维相机坐标系下的点”如何变成“二维像素坐标”。

在 AprilTag 测距里，单应矩阵 H 求出来以后，它其实是 K 和 [r1, r2, t] 的乘积。如果不知道 K，你只能得到一个“像素层面的单应关系”，无法把像素位移还原成真实的物理平移。换句话说，测距必须知道焦距。

那么 K 从哪里来？答案是标定。最常见的做法是用棋盘格拍十几张不同角度的照片，然后用 OpenCV 的 cv2.calibrateCamera 来算。我自己一般用 9x6 或 8x6 的棋盘格，每张照片的角度差异尽量大一些，远近也拉开，然后让棋盘尽量覆盖画面的不同区域，尤其是四角和边缘。这样标出来的 fx、fy、cx、cy 才够稳。

标定的代码不复杂，OpenCV 官方文档有完整例子，我这里就不整段贴了。核心就是把所有棋盘角点的图像坐标和世界坐标收集起来，丢给 calibrateCamera，它会返回相机矩阵和畸变系数。畸变系数后面测距时也得用，不能只拿 K。

如果你实在没有标定板，也可以用相机视角和分辨率粗略推算内参，但误差会大不少。只要焦距偏了 5%，距离偏 5% 是跑不掉的。我的建议是：这个钱别省，打印一张棋盘格，认认真真标一次，后面所有项目都能复用。

2.2 标签平面坐标系怎么定，四个角点坐标怎么给

AprilTag 的测距，要把标签的局部坐标系定义清楚。我习惯把标签中心设为原点，标签平面作为 Z=0 的平面，X 轴和 Y 轴分别沿着标签的两条边。假设标签的物理边长是 s，那么四个角点的三维坐标就是：

[-s/2, -s/2, 0] [ s/2, -s/2, 0] [ s/2, s/2, 0] [-s/2, s/2, 0]

这四个点写死之后，永远不会变。不管相机怎么动，它们都是标签自己的“世界坐标”。后面做的所有事情，本质上是根据图像里检测到的 4 个像素点，反推相机相对于这个坐标系的旋转和平移。

这里有一个特别容易被坑的地方：角点顺序。不同的 AprilTag 库返回的 corners 顺序可能不一样，有的是左上、右上、右下、左下，有的是左下、右上、左上、右下，甚至顺时针逆时针都有差异。如果你把顺序搞错了，后面解出来的姿态经常会出现 90 度、180 度翻转，或者单应矩阵看起来很奇怪。

我自己的做法是：拿到检测结果后，先打印 corners，再把它和上面 obj_pts 的对应关系画出来，确认“第一个 obj 点对应第一个 img 点”。确认一次之后，再固定使用这个顺序。后面我会专门讲这个坑。

2.3 影响比例尺的唯一关键参数：标签物理尺寸

单应矩阵本身只能告诉你“标签在图像里占了多大区域”，它没有尺度。要把这个尺度还原成米，必须知道标签的真实物理边长 s。这个参数直接决定距离的比例尺，重要性甚至超过内参。

我踩过最蠢的坑，就是把打印设置里的 16cm 当成实际尺寸。结果打印机缩放了 2%，1 米距离的量测值稳定偏了 2 厘米，不仔细对比根本看不出来。后来我所有项目一律用游标卡尺或者直尺量打印出来之后的对角角点距离，再除以根号 2 得到边长。贴到硬板、亚克力板上的标签，也要贴好之后再量一次，因为胶水厚度和板材形变会让尺寸微微变化。

另外，标签的物理尺寸还会影响测距的可用范围。标签越大，远距离下的像素占比越多，角点越稳，测距越准。同样一个相机，0.1m 的标签可能 3 米外就很难稳定检测，0.2m 的标签可以推到 6 米。所以项目初期设计标签尺寸时，要先估算一下“我需要的最远测距距离是多少”，然后反推标签大小。经验公式是，标签在图像里至少占 30 到 50 个像素宽，角点才够稳，距离才能看。

3. 完整实现：检测、单应矩阵、姿态分解、距离换算

下面进入正题。这一节我会按完整流程走一遍，每一步都给出代码和解释。我用的检测库是 dt_apriltags，因为它在 ROS 和嵌入式项目里用得多，接口也比较直观。

3.1 环境准备和库选择

先装依赖：

pip install opencv-python numpy dt_apriltags

dt_apriltags 底层基于 AprilTag 3 的 C++ 实现，Python 只是封装。如果你用过别的 apriltag 库，接口差别不大，核心概念是通用的。

创建检测器的时候，有几个参数值得停下来讲一讲：

from dt_apriltags import Detector

detector = Detector(families='tag36h11', nthreads=4, quad_decimate=1.0, quad_sigma=0.0, refine_edges=1, decode_sharpening=0.25)

families 选 tag36h11 是大多数场景的默认选择。这个族有 36 位编码，误检率低，标签图案也不复杂。如果标签很小或者场景里标签数量很多，可以考虑 tag25h9 或者 tag16h5，但误检率会相对高一些。

quad_decimate 这个参数，我重点说。它大于 1 的时候，检测器会先缩小图像再找四边形，速度更快，但小标签很容易丢。如果你的标签在画面里偏小，请务必保持 1.0。我一般在新场景里先不优化速度，保证检测率和角点精度优先，跑稳定了再考虑提速。

refine_edges 保持 1 开启。它会对检测到的边缘做亚像素修正，角点定位精度能提升不少，而这个精度直接决定测距稳定性。

3.2 检测 AprilTag 并获取角点

检测这一行代码很简单：

cap = cv2.VideoCapture(0) ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

detections = detector.detect(gray, estimate_tag_pose=False, camera_params=None, tag_size=None)

if detections: det = detections[0] tag_id = det.tag_id corners = det.corners # shape: (4, 2)

这里有个点要注意：我把 estimate_tag_pose 设成 False，不让库自己算位姿。为什么要这样？因为我想完全掌控后面从单应矩阵到距离的推导过程，而不是直接拿库里的结果。而且不同版本的库，内部算姿态时对角点顺序、相机参数传入方式的要求不一样，容易产生隐性问题。自己解一次，踩坑也能踩得明明白白。

corners 是 4x2 的数组，每一行是一个角点的像素坐标。这个坐标的顺序，以 dt_apriltags 的实现来看，一般是按左上、右上、右下、左下的顺序，但我还是建议先打印验证一下。

detections 返回结果里通常会按置信度排序，我们可以通过 tag_id 来筛选自己关心的标签。如果画面里有多个标签，可以先全检出来，然后选择距离最近、或者 id 匹配上的那个。

3.3 用 cv2.findHomography 求单应矩阵

拿到 4 个角点之后，下一步就是把“标签平面上的坐标”和“图像上的坐标”对应起来，求解单应矩阵。

先把 obj_pts 写出来：

s = 0.16 # 标签实际边长，单位米，务必实测 obj_pts = np.array([ [-s / 2, -s / 2, 0], [ s / 2, -s / 2, 0], [ s / 2, s / 2, 0], [-s / 2, s / 2, 0], ], dtype=np.float32)

obj_2d = obj_pts[:, :2] # 去掉 Z 坐标，因为平面上 Z 恒为 0 img_pts = corners.astype(np.float32)

H, mask = cv2.findHomography(obj_2d, img_pts, cv2.RANSAC, ransacReprojThreshold=3.0)

可能有人会问，既然只有 4 个点，直接解线性方程组不就行了，为什么还要用 RANSAC？RANSAC 在这里主要是为了把可能的角点异常点剔除掉。比如某个角点因为反光被识别偏了，用 RANSAC 拟合出来的 H 会更稳。但如果 4 个点质量都好，RANSAC 和最小二乘结果其实差别不大。

这里的 H 已经把相机内参 K 的信息也融进去了，因为它建立的是“标签平面真实坐标”到“像素坐标”的映射。下一步就是要把它分解开。

3.4 把单应矩阵分解成旋转向量和平移向量

单应矩阵 H 和 K、R、t 之间的关系是：

H = K * [r1, r2, t]

注意，这里 [r1, r2, t] 是一个 3x3 矩阵，r1、r2 是旋转矩阵的前两列，t 是平移向量。第三列本应是 r3，但因为标签平面 Z=0，r3 不参与投影。

所以反过来：

B = K^{-1} * H = [r1, r2, t]

但这里有个尺度问题。H 本身是“差一个比例因子”的，也就是说 H 和 k * K * [r1, r2, t] 等价。所以 B 的三列并不直接就是 r1、r2、t，而是它们被同一个未知倍数缩放过的版本。

怎么办？用旋转矩阵列向量的性质：旋转矩阵的每一列模长都是 1，而且列之间正交。所以只要把 B 的第一列归一化，就能得到真实的 r1 和那个缩放因子：

def homography_to_pose(H, K): inv_K = np.linalg.inv(K) B = inv_K @ H

norm = np.linalg.norm(B[:, 0]) r1 = B[:, 0] / norm r2 = B[:, 1] / norm r3 = np.cross(r1, r2) t = B[:, 2] / norm R = np.column_stack([r1, r2, r3]) return R, t

这里有一个潜在问题：因为图像噪声、标定误差，r1 和 r2 不一定是严格正交的，r3 用叉积求出来能保证三个向量构成右手系，但 R 可能不完全是一个标准正交矩阵。如果你要拿 R 去计算欧拉角，建议再用一次 SVD 把 R 拉回正交矩阵，这种操作叫 Rotation Averaging 或者极简的“投影到 SO(3)”。

另外还有一个符号问题。单应矩阵分解出来的平移方向有两个正交解，这是那个数学结构天然决定的。处理方法是利用“标签必须在相机前方”这一物理约束：如果 t 的 z 分量小于 0，就认为方向反了，把 r1、r2、r3、t 全部取反。这个处理虽然简单，但在我实际项目里足够用。更严格的分解可以参考论文中的多解筛选方法，或者干脆用后面的 solvePnP 交叉验证。

3.5 距离换算：直线距离、深度距离，别搞混

得到平移向量 t 之后，距离就不远了。但这里有一个实际项目里特别容易混淆的概念，必须先说清楚。

t 向量是标签坐标系原点（标签中心）相对于相机坐标系的平移，三分量分别是 tx、ty、tz。那么：

distance = np.linalg.norm(t) # 相机光心到标签中心的欧氏距离 depth = abs(t[2]) # 沿相机光轴的深度距离

这两个数字，只有在相机正对标签的时候才近似相等。如果相机从侧面斜着看标签，欧氏距离可能比深度大了不少。

你项目里到底关心哪个？这个要想清楚。比如移动机器人需要跟着标签走，那姿态里的 tx、ty 其实更重要，因为那是左右、上下的偏移量。做无人机降落，你用 depth 作为高度参考更合理。做避障，可能用欧氏距离更直观。

我自己一般计算三个量，一起输出：

def compute_pose_and_distance(H, K): R, t = homography_to_pose(H, K)

if t[2] < 0: t = -t R = -R distance = np.linalg.norm(t) depth = abs(t[2]) yaw = np.arctan2(R[1, 0], R[0, 0]) return distance, depth, yaw, R, t

注意，这个 yaw 只是旋转矩阵表达的粗略角度，如果你的标签贴得不正，yaw 并不一定能直接当成机器人的偏航角用，还需要结合安装角度换算。

3.6 对比验证：用 solvePnP 交叉检查

单应矩阵分解这条路，优点是原理清晰、代码简单、计算量小。但实际工程里，我更常用 cv2.solvePnP 来做最终的位姿解算，因为它用非线性优化，并且能结合畸变系数，稳定性更高。

_, rvec, tvec = cv2.solvePnP(obj_pts, img_pts, camera_matrix, dist_coeffs)

R, _ = cv2.Rodrigues(rvec) distance_pnp = np.linalg.norm(tvec)

建议你在开发阶段同时算两套结果，打印出来对比。如果单应矩阵分解和 solvePnP 的差距在几个厘米以内，说明流程没问题。如果差了十万八千里，八成是角点顺序不对或者 K 用错了。

那为什么这篇文章标题还是围绕单应矩阵？因为它是理解整个几何关系的最佳入口。你先把单应矩阵这条路走通，之后再换 solvePnP，也只是换了个数值求解器而已，模型并没有变。

4. 精度、误差和稳定性：影响测距结果的 6 个关键因素

AprilTag 测距，不同环境下精度差距可以非常大。有人在 1 米内能做到 1 厘米以内，有人 2 米外就飘得没法看。差别不在 tag，而在下面这些细节。

4.1 标签尺寸误差如何线性传导到距离

这个最简单，也最容易被忽略。距离和标签尺寸是严格线性关系：如果你把 16cm 写成了 15.5cm，那么所有距离都会偏小约 3%。这是系统误差，滤波、多加几个 tag 都救不回来。唯一的解法就是拿尺子量，量角点之间的实际距离，而不是量纸边。

我现在的习惯是把标签尺寸存成配置文件，每个标签打印出来之后量一次，更新一次配置。虽然麻烦，但能避免很多诡异的定位偏移问题。

4.2 内参标定误差会怎么放大

内参 K 里的 fx、fy 如果标定不准，直接影响单应矩阵分解出的平移向量尺度。尤其是广角镜头，焦距稍微偏一点，图像边缘的距离误差会非常大。

我见过有人拿着手机随便拍的标定视频去跑算法，结果 1 米内测出来 0.9 米，怎么调参数都没用。最后重新认真标定了一次，立刻正常了。

标定时有几个实用建议：

• 至少拍 15 到 20 张棋盘格照片，角度差异要大。
• 棋盘格尽量充满画面，但不要跑到画面外。
• 照片覆盖图像中心和四角，畸变才能在各个区域都被约束住。
• 标定完之后，用重投影误差判断质量，一般小于 0.3 像素算不错。

如果你换了相机分辨率，之前标定的 K 不能直接用。分辨率变了，fx、fy、cx、cy 都要重新标。

4.3 像素误差与距离的平方关系

这是单目测距绕不开的物理极限。我们用一个简化模型来理解：假设标签在图像中横向占了 p 个像素，那么距离 z 近似等于：

z ≈ f * s / p

其中 f 是焦距像素值，s 是标签物理尺寸。对这个式子求导，可以得到一个像素误差对应的距离误差：

dz ≈ z^2 / (f * s) * dp

这个公式非常关键。它告诉我们：距离越远，误差按平方增长。比如 f=600，s=0.16m，那么在 2 米处，一个像素的误差大约对应 4 厘米；到了 5 米处，一个像素误差直接对应 26 厘米。

这就是为什么单目 AprilTag 测距在近距离好用，远距离不行的根本原因。你要么换更大尺寸的标签（s 变大），要么换更高分辨率或更长焦距的相机（f 变大），要么接受误差。没有任何玄学能绕过这个公式。

4.4 大角度、强反光和动态模糊

这三个因素都会让角点检测不稳定。AprilTag 本质上是通过四边形的边缘来找角点的，如果标签和相机夹角过大，投影到图像上的方形会被压得很扁，边缘像素越来越少，角点定位自然变差。我一般建议夹角控制在 60 度以内，超过这个范围，检测率和精度都会明显下降。

反光也是大杀器。标签纸如果表面覆了亮膜，或者放在强光下，某些角度会出现局部过曝，角点直接被白色吞掉。解决方法是使用哑光材料打印标签，或者调整相机曝光。相机自动曝光在这种场景下经常帮倒忙，可以锁定曝光值，让标签区域保持稳定的对比度。

动态模糊的问题，更多出现在机器人快速移动或者相机曝光时间过长的情况下。角点一旦模糊，亚像素细化就失去意义。优先缩短曝光时间、提高帧率，宁可画面暗一点，也别让标签糊成一团。

4.5 相机分辨率与标签成像大小

这一点和前面讲的平方关系是同一件事，但从选型角度再看一遍。同样一个标签，相机分辨率越高，标签占的像素就越多，角点定位越准。我有一条基本经验线：标签在画面里如果小于 40 到 50 像素宽，距离就会出现肉眼可见的抖动。所以项目初期选相机，不只是看分辨率，还要算一下“我想测的最远距离处，标签能占多大像素”。

举一个实际例子：我用 640x480 的摄像头测 0.16m 标签，3 米外基本就是极限了，距离抖动有 10 厘米以上。换成 1280x720 的摄像头，同样标签可以推到 5 米，抖动仍然能接受。

4.6 标签是否完全贴合平面

单应矩阵的整个推导前提是“标签在平面上”。如果标签贴在不平整的表面，比如圆柱体、软包装、弯曲的车身，那么角点虽然还在，但投影模型已经不再严格成立，测距误差会变得不可控。这个很难通过算法补偿，最好从物理上保证标签平整。

5. 实战踩坑记录与排查速查表

这一节说几个我在实际项目中反复踩过的坑，每个坑都花过不少时间才定位到根因，希望你能一次绕开。

5.1 角点顺序不一致导致姿态翻转

第一次做的时候，我直接把 dt_apriltags 返回的 corners 丢给 cv2.solvePnP，结果求出来的 tvec 一直在标签的前后方向跳，还经常翻转 180 度。查了半天，发现是角点顺序和我定义的 obj_pts 顺序不一致。

这个问题非常隐蔽，因为单应矩阵本身没有“顺序”的概念，它能拟合出一组 H，但那组 H 对应的是某个错误的点对应关系。你从像素层面看，重投影误差可能也不大，但姿态就是不对。

我的建议是：第一次运行代码时，把 corners 打印出来，并且画在图上逐点标号，再和 obj_pts 里的四个点一对一确认。确认之后，固定顺序，不要再改。

5.2 距离抖动明显时，先别急着上滤波

很多人一看到测距结果抖动，第一反应就是加滤波。但滤波只能平滑“结果”，不能修正“原因”。我见过项目里连续加了三层滤波，曲线是好看了，但机器人动起来距离响应严重滞后，差点撞上去。

正确的排查顺序是：

• 先看角点是否稳定：把四个角点的像素坐标实时打印出来，观察是哪些点在小幅跳动。
• 如果角点跳，说明是图像层面的问题：可能是曝光、反光、模糊、标签太小。
• 如果角点很稳但距离还是跳，再看内参标定和标签尺寸。
• 最后才考虑用滤波平滑，而且用的是轻量的中值滤波或一阶低通，不要过度滞后。

我处理抖动的一个常见配方是：每 5 帧取中值，或者做 alpha=0.5 的一阶低通。这个程度既能压住抖动，又不会让控制环路反应迟钝。

5.3 鱼眼镜头和广角镜头必须先做畸变校正

普通手机镜头和树莓派摄像头模组，边缘畸变没那么夸张，很多人偷懒不做畸变校正也能凑合用。但一旦用了鱼眼或大广角，标签放在画面边缘时，角点位置会被畸变明显拉偏，距离能偏出几十厘米。

处理方式是两个思路：

• 用 cv2.undistort 把整帧图校正过来，再做检测。这是最直接的办法，缺点是要多消耗一点计算时间。
• 用 cv2.undistortPoints 只把检测到的角点坐标做去畸变。如果畸变模型简单，这个更快，我推荐这种方式，尤其是嵌入式设备上。

矫正之后，再用标定得到的 K 去算单应矩阵，就不会被边缘畸变带偏了。

5.4 多个标签同时出现时，id 要锁定

如果你场景里贴了多个 AprilTag，检测器会全部返回。使用的时候要严格按 tag_id 来筛选，不要默认“第 0 个就是我要的标签”。否则不同检测帧里标签排序一变化，测距目标就飘了。

5.5 排查速查表

6. 继续往下做：多标签融合与后续扩展

到这里，单标签测距已经能跑起来了。但实际项目里往往不够，比如标签距离太远、场景中标签太多、或者需要在运动状态下保持稳定。这时候有几个方向可以继续扩展。

6.1 距离平滑：一阶低通、中值滤波、卡尔曼滤波怎么选

如果你只是显示一个距离数字，中值滤波最简单有效，取最近 5 帧的中间值，能去掉离群点。如果是做机器人控制闭环，一阶低通更合适：

d_smooth = alpha * d_raw + (1 - alpha) * d_smooth

alpha 的建议范围是 0.3 到 0.6。alpha 越大，响应越快，但平滑效果越弱。如果目标在移动，要用更复杂的恒速模型卡尔曼滤波，把速度也估计出来，否则低通滤波带来的滞后会让追踪出现“拖尾”。

6.2 多标签与 tag bundle 让远距离更稳

当你距离标签足够远时，单个标签在画面里可能只有二三十个像素，角点检测很容易波动。一个很实用的思路是：在同一个平面上布置多个标签，知道它们之间的相对坐标，然后把这些标签的所有角点合并成一个大“对象点集”，一次性做 solvePnP。

这样做的好处很明显：点数多了，相当于做了更多次测量取平均，角点噪声会被削掉，远距离稳定性显著提升。AprilTag 官方把这种方案叫 tag bundle，我也在项目中用过。实现上不复杂，就是把你手动摆放的每个标签的中心坐标和方向都写进配置，然后把所有角点按真实世界坐标拼起来。

如果不想做这么复杂的拼接，还有一个省事办法：分别算出每个标签的距离，然后取中值或均值。这种方法只能提升一点稳定性，但因为各个标签的姿态不一致，效果不如 bundle 方案。

6.3 单目测距的边界在哪里

一定要清楚，单目 + AprilTag 测距，本质上是在“已知目标尺寸”的前提下做 PnP 求解。它离不开物理标签、平面假设、足够的像素分辨率这三件事。如果目标不是刚体平面，或者尺寸未知，或者环境光变化剧烈，这条路会很难走。

在这些场景里，双目相机或深度相机会是更合适的方案。它们的原理完全不同：双目靠视差，深度相机靠结构光或 ToF，不依赖标签尺寸和平面假设。我在做仓储机器人项目时，远距离导航用 AprilTag 做视觉引导，到了近距离再用深度相机做精细对接，两者互补，效果最好。

6.4 最后一个经验

如果整篇文章只带走一句话，我想说的是：先验证单应矩阵方向，再让镜头尽量正对标签，最后用一把尺子量准标签尺寸。这三件事做好了，AprilTag 测距在近中距离内完全够用。剩下的细节，包括滤波、多标签、畸变校正，都只是在这个地基上做优化。项目跑起来之后你会发现，真正难的不是公式和代码，而是当一个角落反光、一个尺寸写错、一个顺序颠倒时，你能不能快速定位到问题在哪。