深度图和点云叠在一起明显错位，先不要急着判定是 LingBot-Depth 2.0 的模型输出有问题。实际排查里更常见的是两类原因：一是你手里这套内参，和深度生成时用的内参不是同一套（改过分辨率、做过裁切、走过缩放，内参都会变）；二是点云与深度图之间的单位、坐标轴方向、光轴朝向约定不一致。这两类错位的共同特征是整体性偏差——所有点朝同一个方向平移、整体放大缩小、或者左右镜像——而不是局部扭曲。如果错位是局部的、随距离变化的，才需要回头去怀疑深度本身。判断顺序建议固定为：先用投影回图确认内参是否自洽，再核对单位，再核对轴向，最后才动外参。

深度图与点云对不上，先用同一套内参把点云投影回原图，看轮廓能否贴合：贴合则错位发生在下游消费点云的环节，不贴合再怀疑深度本身。排查顺序建议固定为内参、单位、轴向，每次只改一层做对照。这套判断的适用前提是深度图与彩色图来自同一次采集、同一分辨率；如果中间做过裁切或缩放，内参必须先按比例还原，否则后续每一步对照都不可归因。

把点云按内参投影回原图

这一步的目的是用一个可观察的重合度，把错位定位到具体的环节，而不是靠肉眼猜。做法是：把深度按内参反投影成点云，再用同一套内参把点云正投影回彩色图，输出叠加图。这一步放在你自己的调试脚本里执行，输入是原始深度图、彩色图和一份待验证的内参矩阵，输出是一张叠加图。

import numpy as np

def depth_to_points(depth, K, depth_scale=1.0):
    # depth_scale 是深度原始值到米的换算系数，例如深度以毫米存储则填 0.001
    h, w = depth.shape
    v, u = np.mgrid[0:h, 0:w]
    fx, fy, cx, cy = K[0, 0], K[1, 1], K[0, 2], K[1, 2]
    z = depth.astype(np.float64) * depth_scale
    x = (u - cx) * z / fx
    y = (v - cy) * z / fy
    return np.dstack([x, y, z])      # HxWx3

def project_points(points, K):
    fx, fy, cx, cy = K[0, 0], K[1, 1], K[0, 2], K[1, 2]
    x, y, z = points[..., 0], points[..., 1], points[..., 2]
    u = fx * x / z + cx
    v = fy * y / z + cy
    return np.dstack([u, v])         # HxWx2

把投影结果画到彩色图上，叠加图是这样生成的：

import cv2

K = np.array([[fx, 0, cx],
              [0, fy, cy],
              [0,  0,  1]], dtype=np.float64)

pts = depth_to_points(depth, K, depth_scale=0.001)
uv  = project_points(pts, K)
rgb = cv2.imread('frame.png')

for u, v in uv.reshape(-1, 2):
    if 0 <= u < rgb.shape[1] and 0 <= v < rgb.shape[0]:
        cv2.circle(rgb, (int(round(u)), int(round(v))), 1, (0, 0, 255), -1)
cv2.imwrite('overlay.png', rgb)

看叠加图时重点看物体外轮廓：桌面边缘、显示器边框、门框这类直线结构，点集的外缘应当与图像里的边缘平行且间距基本恒定。如果轮廓整体平移，优先怀疑主点或外参；整体缩放，优先怀疑焦距或单位换算；左右对调、上下对调，优先怀疑轴向约定；轮廓贴合但形状随距离扭曲，才需要怀疑深度质量。轮廓是否贴合，是判断错位发生在内参还是深度本身的分界点。

核对单位是米还是毫米

单位错会把很多“看起来偏了”的现象掩盖掉。先把点云坐标范围打出来，与场景的实测尺寸做对比：

pts = depth_to_points(depth, K, depth_scale=1.0)   # 先按原始数值看范围
print('x', pts[..., 0].min(), pts[..., 0].max())
print('y', pts[..., 1].min(), pts[..., 1].max())
print('z', pts[..., 2].min(), pts[..., 2].max())

用卷尺量一下相机到正前方墙面或桌面的实际距离，对照 z 的典型值。若 z 落在几十到几千这个量级、而实际距离是零点几到几米，说明深度是以毫米存储的，反投影时需要乘 0.001；反过来，若 z 是零点几到几米而下游工具期望毫米，同样要对齐。这里有一个容易踩的坑：如果反投影和再投影用的是同一个错误单位的内参，透视除法会把整体缩放抵消掉，叠加图上几乎看不出差别，所以单位不能只靠叠加图判断，必须看点云数值本身。千倍差异真正暴露的位置，通常是把点云与其它传感器、外参标定结果或机器人本体尺寸放在一起时——点云会整体穿出画面、落在视野之外，或者与场景尺寸差出三个数量级。

核对坐标轴方向与光轴朝向

轴向问题表现为整体旋转或镜像，需要逐项确认，不能凭感觉试：

• x 轴：像素 u 是向右增大，还是图像本身已被水平镜像；x 是否取了负。
• y 轴：是按图像坐标向下为正，还是按可视化器约定向上为正；y 是否取了负。
• 深度：深度值是沿相机前方为正，还是取成了负值；z 接近 0 或为负的区域是否被错误参与投影。
• 光轴朝向：相机坐标系是 +Z 向前，深度是否定义在 -Z 方向；坐标系是右手系还是左手系。

验证方式优先用已知方位的物体，而不是靠调参试错。在相机视野左侧放一个可辨识物体，或贴一张带文字的纸，正对相机采集一帧。生成点云后再投影回图：投影点落在图像左侧说明 x 方向正确，落到右侧说明 x 轴方向反了；同理判断上下。深度整体取负时，点云会跳到相机背后，投影时因除以负数而翻到另一侧，形态上接近镜像并伴随点序混乱，这类现象与简单的左右翻转要分开记录。

每次只换一层参数做对照

同时改内参、单位、轴向，最后即使对上了也无法说明是哪一项起了作用。建议固定一组基准参数，然后做三组单变量对照，每组只改一项，其余全部锁死：

1. 只换内参：分别用标定值 A 与按当前分辨率缩放后的值 B 各跑一次，其它参数不变。
2. 只换单位：depth_scale 在 1.0 与 0.001 之间切换，其它参数不变。
3. 只换坐标约定：分别试验 x 取反、y 取反、z 取反，每次只动一个轴。

每组都记录：叠加图文件名、使用的内参、depth_scale、轴约定、偏差方向（左上平移还是右下平移、左右镜像还是上下镜像、整体缩放）、以及偏差的大致像素量级——是几十像素的小幅平移，还是接近整幅图宽度的量级。像素量级本身不需要精确到个位，但它能区分问题层级：小幅平移更像主点偏差，接近整幅图的偏移更像轴向约定写反。不要用“改完看着好点”当作结论，因为那种描述在下次换一台设备时无法复用。

用平面与网格场景复验

修正参数后，需要在规则场景里确认结论成立。找一面平整的墙，或者铺一张棋盘格，让相机正对拍摄，保持固定距离，然后按修正后的参数重新生成点云。

判断平面上的点是否共面，可以对墙面区域做一次最小二乘平面拟合，看残差与法向：

pts = depth_to_points(depth, K, depth_scale=0.001).reshape(-1, 3)
sel = pts[pts[:, 2] > 0]                 # 只保留相机前方的点
centroid = sel.mean(axis=0)
_, _, vt = np.linalg.svd(sel - centroid)
normal = vt[-1]
residual = (sel - centroid) @ normal
print('normal', normal, 'residual std', residual.std())

墙面上的点残差应当落在深度噪声的量级，而不是沿某一轴出现线性漂移——线性漂移通常意味着轴向或内参仍未对齐。再用投影回图检查棋盘格：格线投影应当平直，角点投影应落在格点附近。棋盘格的好处是尺寸已知，可以同时验证单位与比例；如果格线投影间距与实际网格尺寸按固定倍数偏离，说明单位换算还没对齐。

需要留存的记录包括：原始深度图、对应彩色图、叠加图、使用的内参矩阵、depth_scale、轴约定、平面拟合的法向与残差。这几项留齐之后，下次在另一台设备上复现同样的错位时，可以直接对照参数差异，而不必从零重排一遍。