CN111965627B - 一种车辆的多激光雷达标定方法 - Google Patents
一种车辆的多激光雷达标定方法 Download PDFInfo
- Publication number
- CN111965627B CN111965627B CN202010833143.6A CN202010833143A CN111965627B CN 111965627 B CN111965627 B CN 111965627B CN 202010833143 A CN202010833143 A CN 202010833143A CN 111965627 B CN111965627 B CN 111965627B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- calibration
- preset threshold
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆的多激光雷达标定方法。方法包括获取第一激光雷达采集的各时刻的第一三维点云和第二激光雷达采集的各时刻的第二三维点云;根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系判断车辆在当前时刻是否处于静止状态;若是,当前时刻的第一三维点云和第二三维点云组成数据对;基于数据对得到标定数据对,标定数据对包括基于数据对中第一三维点云得到的第一标定三维点云和基于数据对中第二三维点云得到的第二标定三维点云;基于标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对第一标定三维点云和第二标定三维点云进行配准,得到第一激光雷达与第二激光雷达间的标定参数,提高标定参数的精准度。
Description
技术领域
本发明涉及无人驾驶数据采集技术领域,特别是涉及一种车辆的多激光雷达标定方法。
背景技术
当前,多线激光雷达作为一种主动探测器,可以实时获取周围环境的三维结构信息,是目前实现高级别无人驾驶不可或缺的传感器。在车辆顶部水平安装的多线激光雷达(64线或128线等)具有360°的视场角,可以获取车辆周围大部分的环境信息,因此,该安装方式已成为众多无人驾驶汽车传感器布局的标配。然而,多线激光雷达的线束发射角度是有限的。线束发射角度一般在45°以内,且呈现两端稀疏、中间密集的分布样式,这就导致车辆顶部安装的激光雷达(主激光雷达)发射的线束在近车体十米以内的区域分布十分稀疏。即主激光雷达对近车辆区域感知存在一定的盲区,降低了无人驾驶的安全性。
在现有技术中,常见的解决措施是在车辆其他部位再倾斜安装若干个多线激光雷达(16线或32线)(副激光雷达),用来消除主激光雷达的感知盲区。但是,不同的激光雷达采集的三维点云都是相对于自身的坐标系。为了融合不同激光雷达采集的三维点云,需要对不同激光雷达采集的三维点云进行联合标定,获取各激光雷达坐标系间的相对变换关系。目前的多激光雷达标定方法通常需要人为选取一些特定的场景,在静止状态下采集场景的数据,然后通过一定的辅助手段进行标定,操作较为繁琐。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种车辆的多激光雷达标定方法。
本发明的一个目的是要提供一种提高标定参数的精准度的车辆的多激光雷达标定方法。
特别地,本发明提供了一种车辆的多激光雷达标定方法,包括:
获取第一激光雷达采集的各时刻的第一三维点云和第二激光雷达采集的各时刻的第二三维点云;
根据当前时刻与前一时刻的第一三维点云或所述第二三维点云的变化关系判断车辆在当前时刻是否处于静止状态;
若是,将当前时刻的第一三维点云和第二三维点云组成数据对;
基于所述数据对得到标定数据对,所述标定数据对包括基于所述数据对中的第一三维点云得到的第一标定三维点云和基于所述数据对中的第二三维点云得到的第二标定三维点云;
基于所述标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对所述第一标定三维点云和第二标定三维点云进行配准,得到所述第一激光雷达与所述第二激光雷达间的标定参数。
可选地,根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系判断车辆在当前时刻是否处于静止状态,包括:
对当前时刻的第二三维点云进行点云分割得到第二三维点云中的非地面点云;
计算前一时刻的第二三维点云中的各点与当前时刻的所述非地面点云中的各非地面点的距离,根据计算的距离得到前一时刻的第二三维点云中与各所述非地面点距离最近的各点作为判断点;
计算各所述非地面点和对应的各所述判断点的范数值;
比较各所述范数值和第一预设阈值的大小,统计小于所述第一预设阈值的范数值的个数;
计算所述小于所述第一预设阈值的范数值的个数与所述非地面点云包含的点的数量的比值;
比较所述比值是否大于第二预设阈值,若所述比值大于所述第二预设阈值,判断车辆处于静止状态;
若所述比值小于或等于所述第二预设阈值,判断车辆处于非静止状态。
可选地,所述基于所述数据对得到标定数据对包括:
将所述数据对保存到预先建立的队列容器中;
判断所述队列容器中数据对的数量是否大于第三预设阈值;
若是,获取所述队列容器中的位于队列中心的预设数量个数据对作为选定数据对,所述预设数量小于所述第三预设阈值;
对所述预设数量个选定数据对中的第一三维点云和第二三维点云分别进行均值滤波,得到一个第一标定三维点云和一个第二标定三维点云;
将所述第一标定三维点云和所述第二标定三维点云组成一个标定数据对。
可选地,若判断出所述队列容器中数据对的数量小于等于所述第三预设阈值;
清空所述队列容器中的数据对。
可选地,在所述队列容器中数据对的数量小于等于所述第三预设阈值的情况下,判断所述队列容器中数据对的数量是否大于第四预设阈值,所述第四预设阈值小于所述第三预设阈值;
若是,所述车辆处于短时停车的状态;
在所述队列容器中数据对的数量大于所述第三预设阈值的情况下,所述车辆处于长时停车的状态。
可选地,所述对所述预设数量个选定数据对中的第一三维点云和第二三维点云分别进行均值滤波,得到一个第一标定三维点云和一个第二标定三维点云,包括:
以获取的选定数据对中位于队列中间的数据对为基准数据对,计算所述基准数据对的第一三维点云中的各点和其他各选定数据对的第一三维点云中的各点的距离,以及所述基准数据对的第二三维点云中的各点和其他各选定数据对的第二三维点云中的各点的距离,根据计算的距离得到其他各选定数据对的第一三维点云中距离所述基准数据对的第一三维点云中的各点最近的各点作为第一均值点,以及其他各选定数据对的第二三维点云中距离所述基准数据对的第二三维点云中的各点最近的各点作为第二均值点;
分别计算所述基准数据对的第一三维点云中的各点和其他各所述选定数据对的第一均值点的范数值,以及所述基准数据对的第二三维点云中的各点和其他各所述选定数据对的第二均值点的范数值;
比较各所述范数值和第五预设阈值的大小;
从所述基准数据对的第一三维点云中筛选出与对应的第一均值点的范数值均小于第五预设阈值的点,并从所述基准数据对的第二三维点云中筛选出与对应的第二均值点的范数值均小于第五预设阈值的点;
计算筛选出的所述基准数据对的第一三维点云的各点和其他两个所述选定数据对中对应的第一均值点之间的第一平均重心,得到第一平均重心的集合,将所述第一平均重心的集合作为所述标定数据对的第一标定三维点云;
计算筛选出的所述基准数据对的第二三维点云的各点和其他两个所述选定数据对中对应的第二均值点之间的第二平均重心,得到第二平均重心的集合,将所述第二平均重心的集合作为所述标定数据对的第二标定三维点云。
可选地,所述基于所述标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对所述第一标定三维点云和第二标定三维点云进行配准,得到所述第一激光雷达与所述第二激光雷达间的标定参数,包括:
将所述标定数据对中的第一标定三维点云和第二标定三维点云转换为设定的配准坐标系下的第一配准三维点云和第二配准三维点云;
将所述配准坐标系的XOY平面中的原点周围设定的最大距离以内的圆形区域沿圆周方向均匀分割为第一数量的扇形,并沿半径方向等距地将各所述扇形分割为第二数量的扇区;
计算所述第一配准三维点云和所述第二配准三维点云中的每一个点与所述配准坐标系的原点的距离;
从所述第一配准三维点云和所述第二配准三维点云的点中筛选出与所述配准坐标系的原点的距离小于最大距离的点;
依据各筛选出的点的X坐标和Y坐标得到各筛选出的点与所述配准坐标系的x轴正方向的夹角;
根据所述最大距离、所述夹角、所述第一数量、所述第二数量以及各筛选出的点与所在配准坐标系原点的距离,得到各筛选的点的离散二维坐标;
建立第一初始化矩阵和第二初始化矩阵,所述第一初始化矩阵和第二初始化矩阵的行数为所述第二数量,列数为所述第一数量;
基于所述第一配准三维点云中筛选的点的离散二维坐标更新所述第一初始化矩阵,得到所述第一配准三维点云的第一全局形状特征;
基于所述第二配准三维点云中筛选的点的离散二维坐标更新所述第二初始化矩阵,得到所述第二配准三维点云的第二全局形状特征;
对所述第一全局形状特征和所述第二全局形状特征进行循环匹配,根据罗德里格斯公式得到所述第一标定三维点云和所述第二标定三维点云间的配准位姿矩阵;
将所述配准位姿矩阵作为初始值,通过精配准算法对所述第一标定三维点云和所述第二标定三维点云进行精配准,以对所述配准位姿矩阵进行优化,将优化后的所述配准位姿矩阵作为标定参数。
可选地,在得到所述第一激光雷达与所述第二激光雷达间的标定参数后,还包括:
评价所述标定参数的准确度。
可选地,所述评价所述标定参数的准确度包括:
以任一时刻采集的第一三维点云和第二三维点云中的任一者作为源点云,另一者作为目标点云;
根据所述标定参数将所述源点云转换为转换后点云;
从所述目标点云中查找距离所述转换后点云中的各点最近的各点作为目标点;
计算所述转换后点云中各点与对应的所述目标点的范数值;
比较各范数值与第六预设阈值的大小;
统计小于所述第六预设阈值的范数值的个数,并计算各小于所述第六预设阈值的范数值的和;
根据所述源点云中点的个数、所述小于所述第六预设阈值的范数值的个数和所述范数值的和,评价所述标定参数的准确度。
可选地,所述根据所述源点云中点的个数、所述小于所述第六预设阈值的范数值的个数和所述范数值的和,评价所述标定参数的准确度包括:
计算所述源点云中点的个数与预设系数的乘积,所述预设系数的大小为0至1之间的任意数;
计算所述乘积与所述范数值的和的和作为标定距离;
计算所述标定距离和所述小于所述第六预设阈值的范数值的个数的比值得到标定参数的评价指标值;
比较各所述标定参数的评价指标值的大小,选取评价指标值最小的标定参数作为准确度最高的标定参数。
在本实施例的车辆的多激光雷达标定方法中,根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系可以快速地判断车辆在当前时刻是否处于静止状态;在车辆处于静止的状态下,可以避免获取发生畸变的第一三维点云和第二三维点云,从而提高标定参数的精准度;基于标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对第一标定三维点云和第二标定三维点云进行配准,可以进一步提高标定参数的精准度。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的车辆的多激光雷达标定方法的流程图;
图2是根据本发明另一个实施例的车辆的多激光雷达标定方法的流程图;
图3是根据本发明另一个实施例的车辆的多激光雷达标定方法的流程图;
图4是根据本发明另一个实施例的车辆的多激光雷达标定方法的流程图;
图5是图4中根据本发明另一个实施例的车辆的多激光雷达标定方法中的配准坐标系的XOY平面分割为多个扇区的示意图;
图6是图4中根据本发明另一个实施例的车辆的多激光雷达标定方法中的第一标定三维点云和第二标定三维点云进行配准的示意性图。
具体实施方式
图1是根据本发明一个实施例的一种车辆的多激光雷达标定方法的流程图。参见图1,车辆的多激光雷达标定方法可包括以下步骤S102至步骤S110。
步骤S102:获取第一激光雷达采集的各时刻的第一三维点云和第二激光雷达采集的各时刻的第二三维点云。在本步骤中,第一激光雷达可以定义为安装在车辆顶部的激光雷达,即主激光雷达;第二激光雷达可以定义为安装在除车辆顶部以外的其他位置的激光雷达,即副激光雷达。
步骤S104:根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系判断车辆在当前时刻是否处于静止状态。
若是,执行步骤S106:将当前时刻的第一三维点云和第二三维点云组成数据对。
步骤S108:基于数据对得到标定数据对,标定数据对包括基于数据对中的第一三维点云得到的第一标定三维点云和基于数据对中的第二三维点云得到的第二标定三维点云。
步骤S110:基于标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对第一标定三维点云和第二标定三维点云进行配准,得到第一激光雷达与第二激光雷达间的标定参数。
在本实施例的车辆的多激光雷达标定方法中,根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系可以快速地判断车辆在当前时刻是否处于静止状态;在车辆处于静止的状态下,可以避免获取发生畸变的第一三维点云和第二三维点云,从而提高标定参数的精准度;基于标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对第一标定三维点云和第二标定三维点云进行配准,可以进一步提高标定参数的精准度。
参见图2,在本发明一个实施例中,步骤S104具体可以包括步骤S1041至步骤S1048。
步骤S1041:对当前时刻的第二三维点云进行点云分割得到第二三维点云中的非地面点云。
在本步骤中,由于第二激光雷达(副激光雷达)采集的第二三维点云的点数少于第一激光雷达(主激光雷达)采集的第一三维点云的点数,因此,采用第二三维点云判断车辆是否处于静止状态的效率更高。可以对当前时刻的第二三维点云利用随机采样一致性算法(Random Sample Consensus,RANSAC)进行点云分割,得到非地面点云。可以将非地面点云中的每一个非地面点定义为p,且每一个非地面点
步骤S1042:计算前一时刻的第二三维点云中的各点与当前时刻的非地面点云中的各非地面点的距离,根据计算的距离得到前一时刻的第二三维点云中与各非地面点距离最近的各点作为判断点。
步骤S1043:计算各非地面点和对应的各判断点的范数值。
步骤S1044:比较各范数值和第一预设阈值的大小,统计小于第一预设阈值的范数值的个数。在本步骤中,比较各范数值和第一预设阈值的大小的具体公式可以如下公式(1)所示。
||p-q||2<δd 公式(1)
公式(1)中,||·||2表示向量的范数,如2范数。δd为第一预设阈值,第一预设阈值δd可以根据实际需要进行设定,本发明实施例对此不做具体地限定。可以预先设定一个计数器以统计小于第一预设阈值的范数值的个数,该个数可以用Nc表示。
步骤S1045:计算小于第一预设阈值的范数值的个数与非地面点云包含的点的数量的比值。该比值如下公式(2)所示。
r=Nc/|Cng| 公式(2)
公式2中,|Cng|表示非地面点云中包含非地面点的总数,r为小于第一预设阈值δd的范数值的个数Nc与非地面点云中包含的非地面点|Cng|的总数的比值。
步骤S1046:比较比值是否大于第二预设阈值。
若比值大于第二预设阈值,执行步骤S1047:判断车辆处于静止状态。比值r越接近1,车辆未发生移动的可能性越大。由于车辆周围的物体也可能处于运动状态,在这样的状态下,即使车辆处于静止状态,处于运动状态的物体上的非地面点也会发生移动。因此,第二预设阈值可以为0至1之间的数,如果r大于第二预设阈值,则表示车辆静止。当然,若比值r小于或等于第二预设阈值,则执行步骤S1048:判断车辆处于非静止状态。
参见图3,在本发明一个实施例中,步骤S108中的基于数据对得到标定数据对可包括以下步骤S1081至步骤S1086。
步骤S1081:将数据对保存到预先建立的队列容器中。
步骤S1082:判断队列容器中数据对的数量是否大于第三预设阈值。
其中,第三预设阈值可以根据实际需要进行调整,本发明实施例对此不做具体地限定。
若是,执行步骤S1083:获取队列容器中的位于队列中心的预设数量个数据对作为选定数据对,预设数量小于第三预设阈值。
其中,预设数量可以为3个,当然,也可以为其他数量值,本发明实施例对此不做具体地限定。以预设数量为3个为例,假设队列容器中数据对的数量为5个,5个数据对在队列容器中的顺序依次为第一数据对(k-2)、第二数据对(k-1)、第三数据对(k)、第四数据对(k+1)、第五数据对(k+2)。可以选择中心的第二数据对(k-1)、第三数据对(k)、第四数据对(k+1)作为选定数据,选定数据对可以表示为
步骤S1084:对预设数量个选定数据对中的第一三维点云和第二三维点云分别进行均值滤波,得到一个第一标定三维点云和一个第二标定三维点云。
具体地,例如,第一标定三维点云可以理解为对第二数据对、第三数据对以及第四数据对中的第一三维点云进行均值滤波的结果;第二标定三维点云可以理解为对第二数据对、第三数据对以及第四数据对中的第二三维点云进行均值滤波的结果。
步骤S1085:将第一标定三维点云和第二标定三维点云组成一个标定数据对。
若判断出队列容器中数据对的数量小于等于第三预设阈值,执行步骤S1086:清空队列容器中的数据对。
在本实施例中,在队列容器中数据对的数量小于等于第三预设阈值的情况下,数据对的数量较少,车辆停止的时间也较短。若采用数量较少的数据对参与计算,可能会导致结果误差比较大。因此,在这种情况下,可以清空队列容器中的数据对以便队列容器继续存放新的数据对。当然,在得到标定数据对后,也可以清空队列容器以便队列容器继续存放新的数据对。采用均值滤波的方式可以滤除一些不稳定的点,减少噪声和动态物的干扰,得到更加精准的标定数据对,进一步提高了标定参数的精准度。
在本发明一个实施例中,在队列容器中数据对的数量小于等于第三预设阈值的情况下,判断队列容器中数据对的数量是否大于第四预设阈值,第四预设阈值小于第三预设阈值。若是,车辆处于短时停车的状态。在队列容器中数据对的数量大于第三预设阈值的情况下,车辆处于长时停车的状态。
在本实施例中,若队列容器中数据对小于第三预设阈值且大于第四预设阈值,表示车辆停止的状态为短时间停车,可以继续执行上述步骤S1083至步骤S1085。另外,在队列容器中数据对的数量大于第三预设阈值的情况下,可以确定车辆处于长时停车的状态。通过将队列容器中数据对的数量和多个不同的预设阈值(如第三预设阈值和第四预设阈值)进行比较,可以进一步区分车辆是处于短时停车或者长时间停车的状态,可以更加全面的判断车辆的状态。
在本发明一个实施例中,上述步骤S1084中对预设数量个选定数据对中的第一三维点云和第二三维点云分别进行均值滤波,得到一个第一标定三维点云和一个第二标定三维点云的步骤可包括:
第一步:以获取的选定数据对中位于队列中间的数据对为基准数据对,计算基准数据对的第一三维点云中的各点和其他各选定数据对的第一三维点云中的各点的距离,以及基准数据对的第二三维点云中的各点和其他各选定数据对的第二三维点云中的各点的距离,根据计算的距离得到其他各选定数据对的第一三维点云中距离基准数据对的第一三维点云中的各点最近的各点作为第一均值点,以及其他各选定数据对的第二三维点云中距离基准数据对的第二三维点云中的各点最近的各点作为第二均值点。
在本步骤中,可以将选定数据对中间的数据对为基准数据对。第一三维点云和第二三维点云的处理方式相似,具体地,以选定数据对中的第一三维点云为例进行介绍。对于中的每一个点分别在和中寻找与点p距离最近的第一均值点q1,其中q1属于q2属于
第二步:分别计算基准数据对的第一三维点云中的各点和其他各选定数据对的第一均值点的范数值,以及基准数据对的第二三维点云中的各点和其他各选定数据对的第二均值点的范数值。
在本步骤中,范数值可以为2范数。
第三步:比较各范数值和第五预设阈值的大小。第五预设阈值可以根据实际情况进行调整,本发明实施例对此不做具体地限定。
第四步:从基准数据对的第一三维点云中筛选出与对应的第一均值点的范数值均小于第五预设阈值的点,并从基准数据对的第二三维点云中筛选出与对应的第二均值点的范数值均小于第五预设阈值的点。
在本步骤中,从基准数据对的第一三维点云中筛选出与对应的第一均值点的范数值均小于第五预设阈值的点的公式如下公式(3)所示。
||p-q1||2<δd∧||p-q2||2<δd 公式(3)
公式(3)中,δd表示第五预设阈值。
第五步:计算筛选出的基准数据对的第一三维点云的各点和其他两个选定数据对中对应的第一均值点之间的第一平均重心,得到第一平均重心的集合,将第一平均重心的集合作为标定数据对的第一标定三维点云。
在本步骤中,第一平均重心的公式如下公式(4)所示。
(p+q1+q2)/3 公式(4)
第六步:计算筛选出的基准数据对的第二三维点云的各点和其他两个选定数据对中对应的第二均值点之间的第二平均重心,得到第二平均重心的集合,将第二平均重心的集合作为标定数据对的第二标定三维点云。
上述已经对得到第一标定三维点云的步骤进行了详细的介绍,同理,本领域的技术人员可以采用相似的方式得到第二标定三维点云,这里不再赘述。
参见图4,在本发明一个实施例中,步骤S110可包括步骤S1101至步骤S1111。
步骤S1101:将标定数据对中的第一标定三维点云和第二标定三维点云转换为设定的配准坐标系下的第一配准三维点云和第二配准三维点云。
在上述实施例中已经介绍,第一激光雷达即主激光雷达;第二激光雷达即副激光雷达。
以第一标定三维点云为例,第一标定三维点云可以表示为第二标定三维点云可以表示为第一激光雷达位于车辆的顶部,且水平安装,其坐标系的z轴垂直向上,因此第一标定三维点云坐标系的地面法向量近似等于[0,0,1]T。查找第一标定三维点云中的z坐标的最小值zmin,第一标定三维点云所在坐标系的原点到地面的地面距离应该近似等于|zmin|。其中,|zmin|为zmin的绝对值。将第一标定三维点云中的每一个点的z坐标与地面距离|zmin|相加等价于将第一标定三维点云所在坐标系原点平移到地面得到配准坐标系,从而得到第一配准三维点云
以第二标定三维点云为例,由于第二激光雷达倾斜安装,第二标定三维点云所在坐标系的Z轴与向量[0,0,1]T存在一个夹角为了估算夹角首先利用随机采样一致性算法对第二标定三维点云进行地面点云分割,并基于最小二乘拟合估计地面点云的法向量||n||2=1,则由于需要第二标定三维点云的地面的法向量等于[0,0,1]T,因此需要对第二标定三维点云进行旋转,旋转矩阵的构造方式为绕轴n⊥=n×[0,0,1]T逆时针旋转角度根据罗德里格斯公式可知,旋转矩阵其中I为3×3的单位矩阵,表示由向量n⊥生成的反对称矩阵。利用旋转矩阵R对第二标定三维点云进行旋转后得到第二配准三维点云。
步骤S1102:将配准坐标系的XOY平面中的原点周围设定的最大距离以内的圆形区域沿圆周方向均匀分割为第一数量的扇形,并沿半径方向等距地将各扇形分割为第二数量的扇区。
在本步骤中,最大距离可以用Rmax表示。第一数量可以用Nb表示,第二数量可以用Na表示。扇区的总数量为Na×Nb。具体地,例如,扇形和扇区的划分结果可以参照图5。在图5中,扇形的个数为14个,每个扇形的扇区的个数为4个。最大距离Rmax、第一数量Nb、第二数量Na的值可以根据实际需要进行调整,本发明实施例对此不做具体地限定。
步骤S1103:计算第一配准三维点云和第二配准三维点云中的每一个点与配准坐标系的原点的距离。
步骤S1104:从第一配准三维点云和第二配准三维点云的点中筛选出与配准坐标系的原点的距离小于最大距离的点。
步骤S1105:依据各筛选出的点的X坐标和Y坐标得到各筛选出的点与配准坐标系的x轴正方向的夹角。夹角如下公式(4)所示。
夹角θ=atan(y,x)∈[0,2π]公式(4)
在公式(4)中,x、y为筛选出的点的X坐标和Y坐标。
步骤S1106:根据最大距离、夹角、第一数量、第二数量以及各筛选出的点与所在配准坐标系原点的距离,得到各筛选的点的离散二维坐标。
离散二维坐标如下公式(5)、(6)所示。
步骤S1107:建立第一初始化矩阵和第二初始化矩阵,第一初始化矩阵和第二初始化矩阵的行数为第二数量,列数为第一数量。
步骤S1108:基于第一配准三维点云中筛选的点的离散二维坐标更新第一初始化矩阵,得到第一配准三维点云的第一全局形状特征。
在本步骤中,更新的方式如下公式(7)所示。
F1(i,j)=min(max(F1(i,j),z),hmax) 公式(7)
其中,max函数表示获取其中的最大值,min函数表示获取其中的最小值,hmax为预先设定的高度截断阈值,z为第一配准三维点云中的点p在Z轴方向的坐标。当第一配准三维点云中的点全部完成上述操作后,得到的矩阵F1即是第一配准三维点云对应的第一全局形状特征。
步骤S1109:基于第二配准三维点云中筛选的点的离散二维坐标更新第二初始化矩阵,得到第二配准三维点云的第二全局形状特征。
步骤S1110:对第一全局形状特征和第二全局形状特征进行循环匹配,根据罗德里格斯公式得到第一标定三维点云和第二标定三维点云间的配准位姿矩阵。
在本步骤中,根据上述方式可知,生成形状特征时地面的法向量都是垂直向上的,那么第一全局形状特征F1和第二全局形状特征F2仅存在绕z轴的旋转。为了估计二者之间的旋转角度φ,采用循环匹配的方式,具体做法如下所示,固定第一全局形状特征F1,计算第二全局形状特征F2与第一全局形状特征F1的循环匹配距离其中F2(i)表示将矩阵F2的列循环右移i次,i=(0,1,…,Nb)。令则φ≈2πi/Nb。根据罗德里格斯公式,得出绕[0,0,1]T逆时针旋转2πi/Nb的旋转矩阵R2,则第二标定三维点云到第一标定三维点云的配准位姿矩阵(即旋转平移矩阵)配准位姿矩阵可以作为标定参数的初始值。
步骤S1111:将配准位姿矩阵作为初始值,通过精配准算法对第一标定三维点云和第二标定三维点云进行精配准,以对配准位姿矩阵进行优化,将优化后的配准位姿矩阵作为标定参数。
具体而言,将前述得到的配准位姿矩阵将第一标定三维点云和第二标定三维点云进行粗对齐,粗对齐结果如图6所示,可以看出,粗对齐后第一标定三维点云和第二标定三维点云重叠更好,然后利用迭代最近邻算法或者广义迭代最近邻算法等精配准算法对粗对齐结果调优,以对配准位姿矩阵优化,优化后的配准位姿矩阵作为最后的标定参数,从而得到更精确的标定参数。
在本发明一个实施例中,在得到第一激光雷达与第二激光雷达间的标定参数后,还可包括:评价标定参数的准确度。
具体地,例如,评价标定参数的准确度可包括以下过程。
以任一时刻采集的第一三维点云和第二三维点云中的任一者作为源点云,另一者作为目标点云。
根据标定参数将源点云转换为转换后点云。
从目标点云中查找距离转换后点云中的各点最近的各点作为目标点。
计算转换后点云中各点与对应的目标点的范数值。
比较各范数值与第六预设阈值的大小,其中,第六预设阈值的大小可以根据实际需要进行配置,本发明实施例对此不做具体地限定。
统计小于第六预设阈值的范数值的个数,并计算各小于第六预设阈值的范数值的和。
根据源点云中点的个数、小于第六预设阈值的范数值的个数和范数值的和,评价标定参数的准确度。
具体地,下面详细介绍根据源点云中点的个数、小于第六预设阈值的范数值的个数和范数值的和,评价标定参数的准确度的具体步骤。
计算源点云中点的个数与预设系数的乘积,预设系数的大小为0至1之间的任意数。
计算乘积与范数值的和的和作为标定距离。
计算标定距离和小于第六预设阈值的范数值的个数的比值得到标定参数的评价指标值。
比较各标定参数的评价指标值的大小,选取评价指标值最小的标定参数作为准确度最高的标定参数。
评价指标的计算方式如下公式(8)所示。
de′=(ds+ηCs|)/Nv 公式(8)
其中η∈[0,1]为预设系数,|Cs|表示源点云Cs中包含点的个数,Nv为小于第六预设阈值的范数值的个数,ds为范数值的和。当η=0时,de′=ds/Nv,当η不等于0时,配准结果越精确,即Nv越大,ds越小时,de′会越小。因此,该评价方式的可靠性较高,进一步提高标定参数的精准度。
上述各个实施例可以任意组合,根据上述任意一个优选实施例或多个优选实施例的组合,本发明实施例能够达到如下有益效果:
根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系可以快速地判断车辆在当前时刻是否处于静止状态;在车辆处于静止的状态下,可以避免获取发生畸变的第一三维点云和第二三维点云,从而提高标定参数的精准度;基于标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对第一标定三维点云和第二标定三维点云进行配准,可以快速的对齐第一标定三维点云和第二标定三维点云。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (9)
1.一种车辆的多激光雷达标定方法,其特征在于,包括:
获取第一激光雷达采集的各时刻的第一三维点云和第二激光雷达采集的各时刻的第二三维点云;
根据当前时刻与前一时刻的第一三维点云或所述第二三维点云的变化关系判断车辆在当前时刻是否处于静止状态;
若是,将当前时刻的第一三维点云和第二三维点云组成数据对;
基于所述数据对得到标定数据对,所述标定数据对包括基于所述数据对中的第一三维点云得到的第一标定三维点云和基于所述数据对中的第二三维点云得到的第二标定三维点云;
基于所述标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对所述第一标定三维点云和第二标定三维点云进行配准,得到所述第一激光雷达与所述第二激光雷达间的标定参数;
所述基于所述数据对得到标定数据对包括:
将所述数据对保存到预先建立的队列容器中;
判断所述队列容器中数据对的数量是否大于第三预设阈值;
若是,获取所述队列容器中的位于队列中心的预设数量个数据对作为选定数据对,所述预设数量小于所述第三预设阈值;
对所述预设数量个选定数据对中的第一三维点云和第二三维点云分别进行均值滤波,得到一个第一标定三维点云和一个第二标定三维点云;
将所述第一标定三维点云和所述第二标定三维点云组成一个标定数据对。
2.根据权利要求1所述的车辆的多激光雷达标定方法,其特征在于,根据当前时刻与前一时刻的第一三维点云或第二三维点云的变化关系判断车辆在当前时刻是否处于静止状态,包括:
对当前时刻的第二三维点云进行点云分割得到第二三维点云中的非地面点云;
计算前一时刻的第二三维点云中的各点与当前时刻的所述非地面点云中的各非地面点的距离,根据计算的距离得到前一时刻的第二三维点云中与各所述非地面点距离最近的各点作为判断点;
计算各所述非地面点和对应的各所述判断点的范数值;
比较各所述范数值和第一预设阈值的大小,统计小于所述第一预设阈值的范数值的个数;
计算所述小于所述第一预设阈值的范数值的个数与所述非地面点云包含的点的数量的比值;
比较所述比值是否大于第二预设阈值,若所述比值大于所述第二预设阈值,判断车辆处于静止状态;
若所述比值小于或等于所述第二预设阈值,判断车辆处于非静止状态。
3.根据权利要求1所述的车辆的多激光雷达标定方法,其特征在于,
若判断出所述队列容器中数据对的数量小于等于所述第三预设阈值;
清空所述队列容器中的数据对。
4.根据权利要求3所述的车辆的多激光雷达标定方法,其特征在于,
在所述队列容器中数据对的数量小于等于所述第三预设阈值的情况下,判断所述队列容器中数据对的数量是否大于第四预设阈值,所述第四预设阈值小于所述第三预设阈值;
若是,所述车辆处于短时停车的状态;
在所述队列容器中数据对的数量大于所述第三预设阈值的情况下,所述车辆处于长时停车的状态。
5.根据权利要求1所述的车辆的多激光雷达标定方法,其特征在于,
所述对所述预设数量个选定数据对中的第一三维点云和第二三维点云分别进行均值滤波,得到一个第一标定三维点云和一个第二标定三维点云,包括:
以获取的选定数据对中位于队列中间的数据对为基准数据对,计算所述基准数据对的第一三维点云中的各点和其他各选定数据对的第一三维点云中的各点的距离,以及所述基准数据对的第二三维点云中的各点和其他各选定数据对的第二三维点云中的各点的距离,根据计算的距离得到其他各选定数据对的第一三维点云中距离所述基准数据对的第一三维点云中的各点最近的各点作为第一均值点,以及其他各选定数据对的第二三维点云中距离所述基准数据对的第二三维点云中的各点最近的各点作为第二均值点;
分别计算所述基准数据对的第一三维点云中的各点和其他各所述选定数据对的第一均值点的范数值,以及所述基准数据对的第二三维点云中的各点和其他各所述选定数据对的第二均值点的范数值;
比较各所述范数值和第五预设阈值的大小;
从所述基准数据对的第一三维点云中筛选出与对应的第一均值点的范数值均小于第五预设阈值的点,并从所述基准数据对的第二三维点云中筛选出与对应的第二均值点的范数值均小于第五预设阈值的点;
计算筛选出的所述基准数据对的第一三维点云的各点和其他两个所述选定数据对中对应的第一均值点之间的第一平均重心,得到第一平均重心的集合,将所述第一平均重心的集合作为所述标定数据对的第一标定三维点云;
计算筛选出的所述基准数据对的第二三维点云的各点和其他两个所述选定数据对中对应的第二均值点之间的第二平均重心,得到第二平均重心的集合,将所述第二平均重心的集合作为所述标定数据对的第二标定三维点云。
6.根据权利要求1所述的车辆的多激光雷达标定方法,其特征在于,所述基于所述标定数据对中的第一标定三维点云和第二标定三维点云的全局形状特征,对所述第一标定三维点云和第二标定三维点云进行配准,得到所述第一激光雷达与所述第二激光雷达间的标定参数,包括:
将所述标定数据对中的第一标定三维点云和第二标定三维点云转换为设定的配准坐标系下的第一配准三维点云和第二配准三维点云;
将所述配准坐标系的XOY平面中的原点周围设定的最大距离以内的圆形区域沿圆周方向均匀分割为第一数量的扇形,并沿半径方向等距地将各所述扇形分割为第二数量的扇区;
计算所述第一配准三维点云和所述第二配准三维点云中的每一个点与所述配准坐标系的原点的距离;
从所述第一配准三维点云和所述第二配准三维点云的点中筛选出与所述配准坐标系的原点的距离小于最大距离的点;
依据各筛选出的点的X坐标和Y坐标得到各筛选出的点与所述配准坐标系的x轴正方向的夹角;
根据所述最大距离、所述夹角、所述第一数量、所述第二数量以及各筛选出的点与所在配准坐标系原点的距离,得到各筛选的点的离散二维坐标;
建立第一初始化矩阵和第二初始化矩阵,所述第一初始化矩阵和第二初始化矩阵的行数为所述第二数量,列数为所述第一数量;
基于所述第一配准三维点云中筛选的点的离散二维坐标更新所述第一初始化矩阵,得到所述第一配准三维点云的第一全局形状特征;
基于所述第二配准三维点云中筛选的点的离散二维坐标更新所述第二初始化矩阵,得到所述第二配准三维点云的第二全局形状特征;
对所述第一全局形状特征和所述第二全局形状特征进行循环匹配,根据罗德里格斯公式得到所述第一标定三维点云和所述第二标定三维点云间的配准位姿矩阵;
将所述配准位姿矩阵作为初始值,通过精配准算法对所述第一标定三维点云和所述第二标定三维点云进行精配准,以对所述配准位姿矩阵进行优化,将优化后的所述配准位姿矩阵作为标定参数。
7.根据权利要求1所述的车辆的多激光雷达标定方法,其特征在于,在得到所述第一激光雷达与所述第二激光雷达间的标定参数后,还包括:
评价所述标定参数的准确度。
8.根据权利要求7所述的车辆的多激光雷达标定方法,其特征在于,所述评价所述标定参数的准确度包括:
以任一时刻采集的第一三维点云和第二三维点云中的任一者作为源点云,另一者作为目标点云;
根据所述标定参数将所述源点云转换为转换后点云;
从所述目标点云中查找距离所述转换后点云中的各点最近的各点作为目标点;
计算所述转换后点云中各点与对应的所述目标点的范数值;
比较各范数值与第六预设阈值的大小;
统计小于所述第六预设阈值的范数值的个数,并计算各小于所述第六预设阈值的范数值的和;
根据所述源点云中点的个数、所述小于所述第六预设阈值的范数值的个数和所述范数值的和,评价所述标定参数的准确度。
9.根据权利要求8所述的车辆的多激光雷达标定方法,其特征在于,所述根据所述源点云中点的个数、所述小于所述第六预设阈值的范数值的个数和所述范数值的和,评价所述标定参数的准确度包括:
计算所述源点云中点的个数与预设系数的乘积,所述预设系数的大小为0至1之间的任意数;
计算所述乘积与所述范数值的和作为标定距离;
计算所述标定距离和所述小于所述第六预设阈值的范数值的个数的比值得到标定参数的评价指标值;
比较各所述标定参数的评价指标值的大小,选取评价指标值最小的标定参数作为准确度最高的标定参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833143.6A CN111965627B (zh) | 2020-08-18 | 2020-08-18 | 一种车辆的多激光雷达标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833143.6A CN111965627B (zh) | 2020-08-18 | 2020-08-18 | 一种车辆的多激光雷达标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111965627A CN111965627A (zh) | 2020-11-20 |
CN111965627B true CN111965627B (zh) | 2021-06-25 |
Family
ID=73389562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833143.6A Active CN111965627B (zh) | 2020-08-18 | 2020-08-18 | 一种车辆的多激光雷达标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965627B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965047B (zh) * | 2021-02-01 | 2023-03-14 | 中国重汽集团济南动力有限公司 | 一种车辆多激光雷达标定方法、***、终端及存储介质 |
CN112946591A (zh) * | 2021-02-26 | 2021-06-11 | 商汤集团有限公司 | 外参标定方法、装置、电子设备及存储介质 |
WO2022246826A1 (zh) * | 2021-05-28 | 2022-12-01 | 深圳市大疆创新科技有限公司 | 外参标定方法、装置、可移动平台和存储介质 |
WO2023063208A1 (ja) * | 2021-10-15 | 2023-04-20 | 学校法人 芝浦工業大学 | イメージセンサデータ制御システム |
CN114252081B (zh) * | 2021-11-24 | 2024-03-08 | 亿咖通(湖北)技术有限公司 | 定位方法、装置、设备及存储介质 |
CN114265042A (zh) * | 2021-12-09 | 2022-04-01 | 上海禾赛科技有限公司 | 标定方法、标定设备、标定***和可读存储介质 |
CN115236644A (zh) * | 2022-07-26 | 2022-10-25 | 广州文远知行科技有限公司 | 一种激光雷达外参标定方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1187744C (zh) * | 2001-01-20 | 2005-02-02 | 三星电子株式会社 | 光驱动器中控制写入功率的方法和设备 |
CN111007485A (zh) * | 2020-03-09 | 2020-04-14 | 中智行科技有限公司 | 一种图像处理方法、装置、以及计算机存储介质 |
CN111090084A (zh) * | 2018-10-24 | 2020-05-01 | 舜宇光学(浙江)研究院有限公司 | 多激光雷达外参标定方法、标定装置、标定***和电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109839624A (zh) * | 2017-11-27 | 2019-06-04 | 北京万集科技股份有限公司 | 一种多激光雷达位置标定方法及装置 |
CN111381224B (zh) * | 2018-12-29 | 2022-02-22 | 深圳市优必选科技有限公司 | 激光数据校准方法、装置及移动终端 |
US10726579B1 (en) * | 2019-11-13 | 2020-07-28 | Honda Motor Co., Ltd. | LiDAR-camera calibration |
-
2020
- 2020-08-18 CN CN202010833143.6A patent/CN111965627B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1187744C (zh) * | 2001-01-20 | 2005-02-02 | 三星电子株式会社 | 光驱动器中控制写入功率的方法和设备 |
CN111090084A (zh) * | 2018-10-24 | 2020-05-01 | 舜宇光学(浙江)研究院有限公司 | 多激光雷达外参标定方法、标定装置、标定***和电子设备 |
CN111007485A (zh) * | 2020-03-09 | 2020-04-14 | 中智行科技有限公司 | 一种图像处理方法、装置、以及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111965627A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111965627B (zh) | 一种车辆的多激光雷达标定方法 | |
CN110298298B (zh) | 目标检测及目标检测网络的训练方法、装置及设备 | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
CN109961468B (zh) | 基于双目视觉的体积测量方法、装置及存储介质 | |
CN110766758B (zh) | 标定方法、装置、***及存储装置 | |
CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
CN113592957A (zh) | 一种多激光雷达和多相机联合标定方法及*** | |
CN112486207A (zh) | 一种基于视觉识别的无人机自主降落方法 | |
WO2020107174A1 (zh) | 地面点云地图精度评估方法、装置、***及无人机 | |
CN113111513B (zh) | 传感器配置方案确定方法、装置、计算机设备及存储介质 | |
CN107392845A (zh) | 一种3d点云成像及定位的方法 | |
CN113156407A (zh) | 车载激光雷达外参数联合标定方法、***、介质及设备 | |
CN113589263B (zh) | 一种多个同源传感器联合标定方法及*** | |
Clarke et al. | Estimator for the random error in subpixel target location and its use in the bundle adjustment | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN112946612B (zh) | 外参标定方法、装置、电子设备及存储介质 | |
JP6845929B2 (ja) | 三次元計測装置、および方法 | |
CN107220947B (zh) | 一种遥感图像相对辐射校正方法及*** | |
CN117197245A (zh) | 一种位姿修复方法及装置 | |
CN112200845A (zh) | 一种图像配准方法和装置 | |
CN113591890A (zh) | 一种聚类的方法和装置 | |
KR102114558B1 (ko) | 라이다를 이용한 지면 및 비지면 검출 장치 및 방법 | |
KR102015817B1 (ko) | 입체 위성영상의 제공 rpc 자동 보정 방법 | |
CN113762310A (zh) | 一种点云数据分类方法、装置、计算机存储介质及*** | |
CN115877348B (zh) | 基于多维数据空间进行点云数据动态补偿的方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220322 Address after: 430051 No. b1336, chuanggu startup area, taizihu cultural Digital Creative Industry Park, No. 18, Shenlong Avenue, Wuhan Economic and Technological Development Zone, Wuhan, Hubei Province Patentee after: Yikatong (Hubei) Technology Co.,Ltd. Address before: No.c101, chuanggu start up area, taizihu cultural Digital Industrial Park, No.18 Shenlong Avenue, Wuhan Economic Development Zone, Hubei Province Patentee before: HUBEI ECARX TECHNOLOGY Co.,Ltd. |