CN112462350A - 雷达标定方法及装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种雷达标定方法及装置、电子设备、存储介质，所述方法包括：获取标定场景的第一点云数据；采集待标定雷达向所述标定场景中的设定区域投射后的第二点云数据；基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计；将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云图进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。本申请实现了多激光雷达间无交叠视场或者具有较小交叠视场情况下的高精度外参标定。

Description

雷达标定方法及装置、电子设备及存储介质

技术领域

本申请实施例涉及激光雷达技术，尤其涉及一种雷达标定方法及装置、电子设备、存储介质。

背景技术

激光雷达通过向目标发射激光光束并接收从目标反射的光束来探测目标的位置和速度信息。激光雷达可以为无人驾驶提供真实可靠的目标信息。为了增强自动驾驶车辆对周围环境的感知能力和感知范围，通常会单车配置多个激光雷达，通过同时使用多个雷达进行视场拼接可以实现大视场。同时，多雷达也可以提高整个***的鲁棒性。而由于安装位置的不同，多雷达的坐标系并不统一，这导致了多雷达输出的点云并不能统一到同一个坐标系，因此多激光雷达的外参标定至关重要。

现有雷达的外参标定方法，一般是在多雷达视场交叠区间放置多块平行标定板或者镂空棋盘平面标定板进行标定。但上述方法不适用于多雷达的视场间不存在交叠区间或者存在较小交叠区间的情况。

发明内容

有鉴于此，本申请实施例提供一种雷达标定方法及装置、电子设备、存储介质。

根据本申请实施例的第一方面，提供一种雷达标定方法，包括：

获取标定场景的第一点云数据；

采集待标定雷达向所述标定场景中的设定区域投射后的第二点云数据；

基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计；

将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云数据进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。

在一个实施例中，所述确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计，包括：

在点云可视化应用中，通过位移旋转指令使所述待标定雷达采集的第二点云数据与所述标定场景的第一点云数据中的所展示的场景匹配，确定累计位移以及累计旋转角度，根据所述累计位移以及所述累计旋转角度获得初始位姿估计。

在一个实施例中，所述标定场景中包括具有点、线或面特征的设定区域；

所述确定所述待标定雷达坐标系相对于第一点云数据所在地图坐标系的初始位姿估计，包括：

分别提取所述第一点云数据和所述第二点云数据中所述设定区域的点云数据，基于第一点云数据中所述设定区域的点云数据确定所述设定区域的第一向量，和所述第二点云数据中所述设定区域的第二向量；

基于所述第一向量和所述第二向量确定所述待标定雷达坐标系相较于所述地图坐标系的旋转矩阵，根据所述旋转矩阵计算初始姿态；

分别获取所述第一点云数据和所述第二点云数据中同一点的第一坐标和第二坐标，基于所述旋转矩阵、所述第一坐标和所述第二坐标计算所述待标定雷达坐标系原点在所述地图坐标系中的位置对应坐标，作为初始位置；

将所述初始位置和初始姿态作为所述待标定雷达坐标系相对于所述地图坐标系的初始位姿估计。

在一个实施例中，所述设定区域中至少包括设定的反射特征点、反射特征线或反射特征面；或

所述设定区域中至少包括两两相交的三个平面；所述同一点为所述三个平面的交点。

在一个实施例中，所述第一点云数据为高精度、全场景点云数据，用于提高所述待标定雷达的标定精度。

根据本申请实施例的第二方面，提供一种雷达标定装置，包括：

获取单元，用于获取标定场景的第一点云数据；

采集单元，用于采集待标定雷达向所述标定场景中投射后的第二点云数据；

确定单元，用于基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计；

点云配准单元，用于将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云数据进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。

在一个实施例中，所述确定单元，还用于：

在点云可视化应用中，通过位移旋转指令使所述待标定雷达采集的第二点云数据与所述标定场景的第一点云数据中的所展示的场景匹配，确定累计位移以及累计旋转角度，根据所述累计位移以及所述累计旋转角度获得初始位姿估计。

在一个实施例中，所述标定场景中包括具有点、线或面特征的设定区域；

所述确定单元，还用于：

分别提取所述第一点云数据和所述第二点云数据中所述设定区域的点云数据，基于第一点云数据中所述设定区域的点云数据确定所述设定区域的第一向量，和所述第二点云数据中所述设定区域的第二向量；

基于所述第一向量和所述第二向量确定所述待标定雷达坐标系相较于所述地图坐标系的旋转矩阵，根据所述旋转矩阵计算初始姿态；

分别获取所述第一点云数据和所述第二点云数据中同一点的第一坐标和第二坐标，基于所述旋转矩阵、所述第一坐标和所述第二坐标计算所述待标定雷达坐标系原点在所述地图坐标系中的位置对应坐标，作为初始位置；

将所述初始位置和初始姿态作为所述待标定雷达坐标系相对于所述地图坐标系的初始位姿估计。

在一个实施例中，所述设定区域中至少包括设定的反射特征点、反射特征线或反射特征面；或

所述设定区域中至少包括两两相交的三个平面；所述同一点为所述三个平面的交点。

在一个实施例中，所述第一点云数据为高精度、全场景点数据，用于提高所述待标定雷达的标定精度。

根据本申请实施例的第三方面，提供一种电子设备，所述电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，所述处理器被配置为在调用存储器中的可执行指令时，能够执行所述的雷达标定方法的步骤。

根据本申请实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行所述的雷达标定方法的步骤。

本申请实施例中，利用标定场景作为基准点云，通过粗配准和精细配准两步配准方式可以获得高精度的外参标定效果，本申请实施例不依赖于不同激光雷达的视场的交叠，能够实现高精度的外参标定，适应各种场景。本申请实施例操作简单，仅需要静态采集一次数据便可以完成整个标定过程，实现了多激光雷达间无交叠视场或者具有较小交叠视场情况下的高精度外参标定。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的雷达标定方法的流程示意图；

图2为本申请实施例的四个雷达采集的点云图示意图；

图3为本申请实施例的雷达标定装置的组成结构示意图。

具体实施方式

以下结合附图，详细阐明本申请实施例技术方案的实质。

图1为本申请实施例的雷达标定方法的流程示意图，如图1所示，本申请实施例的雷达标定方法包括以下步骤：

步骤101，获取标定场景的第一点云数据。

作为本发明实施例的一个可选实施方式，第一点云数据可以为高精度、全场景点云数据。该第一点云数据可以预先由其他装置采集得到，使用高精度、全场景点云数据可以提高待标定雷达的标定精度。

本申请实施例中，一般是将多个待标定雷达安装于自动驾驶的车辆上。然后再对各雷达的坐标***进行标定，如将各待标定雷达的坐标***统一到自动驾驶车辆的导航地图中，以实现激光雷达发射激光检测回波信号生成的点云都是统一在同一个基准坐标系的，方便自动驾驶车辆的操控***依据激光雷达的检测结果进行驾驶响应。

本申请实施例中，需要为待标定雷达如安装于自动驾驶车辆上的激光雷达选择合适的标定场景，标定场景中包括但不限于墙角、墙边和墙面等具有典型点、线、面特征的物体，同时选择的特征物体的形状及相对方位应具有长时间不变的特性。本申请实施例中，选择特征明显的物体有利于提高后续点云配准算法的精度，尤其是正态分布变换(NormalDistributions Transform，NDT)算法。

本申请实施例中，在设定场景中将具有墙角、墙边和墙面等具有典型点、线、面特征的物体所在的区域作为设定区域，可以将各待标定雷达分别向设定区域发射激光信号，并生成包含有设定区域中设定的反射特征点、反射特征线或反射特征面的第二点云数据；本申请可以通过调整待标定雷达附着物如车辆的位姿的方式，使车辆上的所有待标定雷达均能获取到设定区域的第二点云数据，可以通过多次标定的方式实现对所有待标定雷达的标定。

利用高精度激光扫描设备如高精度三维激光扫描仪对选定场景进行高精度建图，通过建图可以获得全场景点云M。这里的全场景点云M即为第一点云数据。

步骤102，采集待标定雷达向所述标定场景中的设定区域投射后的第二点云数据。

本申请实施例中，待标定雷达可以是固定于自动驾驶车辆上的雷达，即本申请实施例适用于自动驾驶车辆上的多个雷达的标定。将N个激光雷达按照需求稳固在汽车上，确保所有激光雷达之间保持刚体不变性，即所有激光雷达之间的相对位置是固定的，不因车辆的行驶或转向等发生相对位置变化。调整车辆的位置和角度，使得各个激光雷达均对准标定场景中特征明显的区域如前述的墙角、墙边和墙面等，同步采集多雷达中每个雷达的点云数据Pi(i＝1,2…N)，这里为第二点云数据。为了提高数据的稳定性，可以同时采集多帧数据进行数据处理，即每个雷达多采集几次数据，以分别进行相应的标定。

步骤103，基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计。

本申请实施例中，第一点云数据所在地图坐标系为第一点云数据定义的坐标系，该地图坐标系相当于一个基准坐标系。

本申请实施例中，所述确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计，包括：

在点云可视化应用中，通过位移旋转指令使所述待标定雷达采集的第二点云数据与所述标定场景的第一点云数据中的所展示的场景匹配，确定累计位移以及累计旋转角度，根据累计位移以及累计旋转角度获得初始位姿估计(x,y,z,pitch,yaw,roll)；其中，(x,y,z)表示所述待标定雷达坐标系原点在地图坐标系下的位置坐标，即确定待标定雷达坐标系相对于地图坐标系的初始位置，(pitch,yaw,roll)表示所述待标定雷达坐标系相较于所述地图坐标系的初始姿态。

或者，本申请实施例中，为对雷达实现更佳的标定，提升雷达标定精度；所述标定场景中包括具有点、线和/或面特征的设定区域；

对应地，所述确定所述待标定雷达坐标系相对于第一点云数据所在地图坐标系的初始位姿估计，包括：

分别提取所述第一点云数据和所述第二点云数据中所述设定区域的点云数据，基于第一点云数据中所述设定区域的点云数据确定所述设定区域的第一向量，和所述第二点云数据中所述设定区域的第二向量；

基于所述第一向量和所述第二向量确定所述待标定雷达坐标系相较于所述地图坐标系的旋转矩阵，根据所述旋转矩阵计算初始姿态；

分别获取所述第一点云数据和所述第二点云数据中同一点的第一坐标和第二坐标，基于所述旋转矩阵、所述第一坐标和所述第二坐标计算所述待标定雷达坐标系原点在所述地图坐标系中的位置对应坐标，作为初始位置；

将所述初始位置和初始姿态作为所述待标定雷达坐标系相对于所述地图坐标系的初始位姿估计。

具体地，分别对比多激光雷达点云Pi和场景点云M，获得各个激光雷达坐标系相对于地图坐标系的初始位姿估计，包括平移和旋转在内的六个自由度的初始估计(x,y,z,pitch,yaw,roll)，其中，(x,y,z)表示激光雷达坐标系原点在地图坐标系下的位置坐标，(pitch,yaw,roll)表示激光雷达坐标系相较于地图坐标系的欧拉角。

初始位姿的估计可以通过下述两种方法获得：

其一是图形自动调整法。以其中一个激光雷达的初始位姿估计作为示例来说明操作过程，其余激光雷达的初始位姿估计与此相同。图形自动调整法具体为：将该激光雷达采集到的点云Pi和场景地图点云M利用点云可视化软件进行展示。识别地图点云和激光雷达点云中的标定场景，并通过位移旋转操作使得激光雷达点云和地图点云所展示的标定场景粗略匹配，这里的粗略匹配即大致匹配，如标定场景中的某个平面或多平面的交点匹配等，或标定场景中超过20％或超过30％的点匹配即为粗略匹配等。由此，通过累计位移旋转操作可以获得初始位姿估计(x,y,z,pitch,yaw,roll)。

其二是平面拟合法。以设定区域中至少包括两两相交的三个平面为例进行说明。首先，在数据采集时，确保各个激光雷达视野中均存在两两相交的三个平面，如两两相交的墙面与地面等。本申请实施例中，需要保证三物体面对应的法向量两两不平行，进而保证由激光雷达坐标系到地图坐标系的粗估旋转矩阵R可逆，以保证后续算法的运行。图2示例了四个激光雷达的情形，此时每个激光雷达的视野中均包含三处两两相交的墙面即图中的四个扇形区域。具体操作包括初始位置(x,y,z)和初始姿态(pitch,yaw,roll)的获取，如下：

初始姿态的获取，利用平面提取算法对地图点云中的三个目标墙面进行平面点云提取，可以获得所述三个墙面的点云集合和对应的法向量(k₁,k₂,k₃)，其中k₁,k₂,k₃均为列向量。同样地，利用平面提取算法对该激光雷达点云中的同样位置处的三个目标墙面进行平面点云提取，可以获得三个墙面的点云集合和对应的法向量(p₁,p₂,p₃)，其中p₁,p₂,p₃均为列向量。由于三个墙面组成的墙体满足刚体不变特性，因此三个墙面在地图坐标系下和激光雷达坐标系下的法向量满足下述关系：

(k₁,k₂,k₃)＝R·(p₁,p₂,p₃)；其中(k₁,k₂,k₃),(p₁,p₂,p₃)均为3×3的矩阵，R为地图坐标系和激光雷达坐标系间的三维旋转矩阵。通过矩阵运算，可以得到激光雷达坐标系到地图坐标系间的旋转矩阵的粗估：

R＝(k₁,k₂,k₃)·(p₁,p₂,p₃)^-1

由粗估的旋转矩阵可以得到激光雷达相对于地图坐标系的粗估姿态信息：

其中，R(i,j)表示矩阵R中第i行第j列的元素。

初始位置的获取，具体包括：采集地图点云中墙角位置处点云，如选取墙角位置处某一点的坐标信息(x₁,y₁,z₁)；采集激光雷达点云中相同墙角位置处点云的坐标信息(x₂,y₂,z₂)。该激光雷达在地图坐标系的位置(x,y,z)可以粗略表示为：

(x,y,z)^T＝R·(x₂,y₂,z₂)^T-(x₁,y₁,z₁)^T

通过上述两个步骤可以得到各个激光雷达相较于地图坐标系的初始位姿估计(x,y,z,pitch,yaw,roll)。

在本实施例中，用于初始位置计算的同一点可以为三个平面的交点O。

选取三个平面的交点计算初始位置，有利于提高粗估激光雷达的初始位置的准确性。

步骤104，将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云数据进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。

本申请实施例中，将步骤103中得到的各个激光雷达相较于地图坐标系的初始姿态估计作为点云配准算法的初始外参估计。利用点云配准算法如迭代最近点算法(Iterative Closest Point，ICP)或者NDT等，分别对待标定雷达的第二点云数据和第一点云数据进行精细点云配准，获得各激光雷达相较于地图坐标系的变换矩阵。

确定出各待标定雷达的变换矩阵后，以地图坐标系作为基准坐标系，利用各待标定雷达坐标系到地图坐标系的变换矩阵将各雷达采集的点云坐标变换到基准坐标系下，进而实现了多激光雷达间的外参标定。

本实施例的雷达标定方法，利用标定场景作为基准点云，通过粗配准和精细配准两步配准方式可以获得高精度的外参标定效果，本申请实施例不依赖于不同激光雷达的视场的交叠，能够实现高精度的外参标定，适应各种场景。本申请实施例操作简单，仅需要静态采集一次数据便可以完成整个标定过程，实现了多激光雷达间无交叠视场或者具有较小交叠视场情况下的高精度外参标定。

图3为本申请实施例的雷达标定装置的组成结构示意图，如图3所示，本申请实施例的雷达标定装置包括：

获取单元30，用于获取标定场景的第一点云数据；

采集单元31，用于采集待标定雷达向所述标定场景中投射后的第二点云数据；

确定单元32，用于基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计；

点云配准单元33，用于将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云数据进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。

在一个实施例中，所述确定单元32，还用于：

通过位移旋转指令使所述待标定雷达采集的第二点云数据与所述标定场景的第一点云数据中的所展示的场景匹配，确定累计位移以及累计旋转角度，根据所述累计位移以及所述累计旋转角度获得初始位姿估计。

在一个实施例中，所述标定场景中包括具有点、线或面特征的设定区域；；

对应地，所述确定单元32，还用于：

分别提取所述第一点云数据和所述第二点云数据中所述设定区域的点云数据，基于第一点云数据中所述设定区域的点云数据确定所述设定区域的第一向量，和所述第二点云数据中所述设定区域的第二向量；

基于所述第一向量和所述第二向量确定所述待标定雷达坐标系相较于所述地图坐标系的旋转矩阵，根据所述旋转矩阵计算初始姿态；

分别获取所述第一点云数据和所述第二点云数据中同一点的第一坐标和第二坐标，基于所述三维旋转矩阵、所述第一坐标和所述第二坐标计算所述待标定雷达坐标系原点在所述地图坐标系中的位置对应坐标，作为初始位置；

将所述初始位置和初始姿态作为所述待标定雷达坐标系相对于所述地图坐标系的初始位姿估计。

在一个实施例中，所述设定区域中至少包括设定的反射特征点、反射特征线或反射特征面；或

所述设定区域中至少包括两两相交的三个平面；所述同一点为所述三个平面的交点。

在一个实施例中，所述第一点云数据为高精度、全场景点数据，用于提高所述待标定雷达的标定精度。

在一个实施例中，所述点云配准算法包括以下之一：

迭代最近点算法ICP、正态分布变换NDT。

在一个实施例中，所述平面提取算法包括随机采样一致性算法。

在示例性实施例中，获取单元30、采集单元31、确定单元32、点云配准单元等可以被一个或多个中央处理器(CPU，Central Processing Unit)、图形处理器(GPU，GraphicsProcessing Unit)、应用专用集成电路(ASIC，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro ControllerUnit)、微处理器(Microprocessor)、或其他电子元件实现。

在本申请实施例中，图3示出的雷达标定装置中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本申请实施例还记载了一种电子设备，所述电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，所述处理器被配置为在调用存储器中的可执行指令时，能够执行所述实施例的雷达标定方法的步骤。

本申请实施例还记载了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行所述实施例的雷达标定方法的步骤。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不存在。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种雷达标定方法，其特征在于，所述方法包括：

获取标定场景的第一点云数据；

采集待标定雷达向所述标定场景中投射后的第二点云数据；

基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计；

将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云数据进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。

2.根据权利要求1所述的方法，其特征在于，所述确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计，包括：

在点云可视化应用中，通过位移旋转指令使所述待标定雷达采集的第二点云数据与所述标定场景的第一点云数据中的所展示的场景匹配，确定累计位移以及累计旋转角度，根据所述累计位移以及所述累计旋转角度获得初始位姿估计。

3.根据权利要求1所述的方法，其特征在于，所述标定场景中包括具有点、线和/或面特征的设定区域；

所述确定所述待标定雷达坐标系相对于第一点云数据所在地图坐标系的初始位姿估计，包括：

分别提取所述第一点云数据和所述第二点云数据中所述设定区域的点云数据，基于第一点云数据中所述设定区域的点云数据确定所述设定区域的第一向量，和所述第二点云数据中所述设定区域的第二向量；

基于所述第一向量和所述第二向量确定所述待标定雷达坐标系相较于所述地图坐标系的旋转矩阵，根据所述旋转矩阵计算初始姿态；

分别获取所述第一点云数据和所述第二点云数据中同一点的第一坐标和第二坐标，基于所述旋转矩阵、所述第一坐标和所述第二坐标计算所述待标定雷达坐标系原点在所述地图坐标系中的位置对应坐标，作为初始位置；

将所述初始位置和初始姿态作为所述待标定雷达坐标系相对于所述地图坐标系的初始位姿估计。

4.根据权利要求3所述的方法，其特征在于，所述设定区域中至少包括设定的反射特征点、反射特征线和/或反射特征面；或

所述设定区域中至少包括两两相交的三个平面；所述同一点为所述三个平面的交点。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述第一点云数据为所述标定场景的高精度、全场景点云数据。

6.一种雷达标定装置，其特征在于，所述装置包括：

获取单元，用于获取标定场景的第一点云数据；

采集单元，用于采集待标定雷达向所述标定场景中投射后的第二点云数据；

确定单元，用于基于所述第二点云数据和所述第一点云数据确定所述待标定雷达坐标系相对于所述第一点云数据所在地图坐标系的初始位姿估计；

点云配准单元，用于将所述初始位姿估计作为所述待标定雷达的初始外参估计，利用点云配准算法，对所述待标定雷达的第二点云数据和所述第一点云数据进行精细点云配准，获得所述待标定雷达坐标系变换至所述地图坐标系的变换关系，作为标定结果。

7.根据权利要求6所述的装置，其特征在于，所述确定单元，还用于：

在点云可视化应用中，通过位移旋转指令使所述待标定雷达采集的第二点云数据与所述标定场景的第一点云数据中的所展示的场景匹配，确定累计位移以及累计旋转角度，根据所述累计位移以及所述累计旋转角度获得初始位姿估计。

8.根据权利要求6所述的装置，其特征在于，所述标定场景中包括具有点、线或面特征的设定区域；

所述确定单元，还用于：

分别提取所述第一点云数据和所述第二点云数据中所述设定区域的点云数据，基于第一点云数据中所述设定区域的点云数据确定所述设定区域的第一向量，和所述第二点云数据中所述设定区域的第二向量；

基于所述第一向量和所述第二向量确定所述待标定雷达坐标系相较于所述地图坐标系的旋转矩阵，根据所述旋转矩阵计算初始姿态；

分别获取所述第一点云数据和所述第二点云数据中同一点的第一坐标和第二坐标，基于所述旋转矩阵、所述第一坐标和所述第二坐标计算所述待标定雷达坐标系原点在所述地图坐标系中的位置对应坐标，作为初始位置；

将所述初始位置和初始姿态作为所述待标定雷达坐标系相对于所述地图坐标系的初始位姿估计。

9.一种电子设备，其特征在于，所述电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，所述处理器被配置为在调用存储器中的可执行指令时，能够执行如权利要求1至5任一项所述的雷达标定方法的步骤。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至5任一项所述的雷达标定方法的步骤。

Images