CN113034603B - 用于确定标定参数的方法和装置 - Google Patents

用于确定标定参数的方法和装置 Download PDF

Info

Publication number
CN113034603B
CN113034603B CN201911251114.2A CN201911251114A CN113034603B CN 113034603 B CN113034603 B CN 113034603B CN 201911251114 A CN201911251114 A CN 201911251114A CN 113034603 B CN113034603 B CN 113034603B
Authority
CN
China
Prior art keywords
key point
unmanned autonomous
calibration parameters
keypoints
coordinate system
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
Application number
CN201911251114.2A
Other languages
English (en)
Other versions
CN113034603A (zh
Inventor
宋希彬
杨睿刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911251114.2A priority Critical patent/CN113034603B/zh
Publication of CN113034603A publication Critical patent/CN113034603A/zh
Application granted granted Critical
Publication of CN113034603B publication Critical patent/CN113034603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例公开了用于确定标定参数的方法和装置。该方法的一具体实施方式包括：确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，深度信息采集设备安装在无人自主设备上；获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；基于第一关键点集合和第二关键点集合，生成关键点对集合；基于关键点对集合优化初始标定参数，得到标定参数。该实施方式提高了标定参数的准确度。

Description

用于确定标定参数的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于确定标定参数的方法和装置。
背景技术
在无人自主设备***中，一项基本的功能需求是标定无人自主设备与安装在其上的深度信息采集设备。此处，无人自主设备与深度信息采集设备的标定是指计算无人自主设备的坐标系与深度信息采集设备的坐标系之间的位姿关系。完成标定后，深度信息采集设备采集的深度信息可以通过标定参数投影到无人自主设备的坐标系中，从而保证无人自主设备可以提供在无人自主设备视角下的深度图像，辅助无人自主设备的其他模块完成相关功能，如路径规划和控制模块等。
目前，常用的标定参数确定方式主要包括以下两种：其一，测量法，即将深度信息采集设备安装在无人自主设备上，通过测量的方式获取深度信息采集设备的坐标系与无人自主设备的坐标系之间沿三个坐标轴的角度和距离，获取无人自主设备的坐标系与深度信息采集设备的坐标系之间的位姿关系，以得到标定参数；其二标定板法，即固定标定板与无人自主设备之间的位姿关系，通过测量的方式获取深度信息采集设备与标定板之间的位姿关系，基于标定板与无人自主设备之间的位姿关系和深度信息采集设备与标定板之间的位姿关系，确定深度信息采集设备与无人自主设备之间的位姿关系，以得到标定参数。其中，变顶板与无人自主设备之间的位姿关系通常与需要通过测量的方式获得。
发明内容
本申请实施例提出了用于确定标定参数的方法和装置。
第一方面，本申请实施例提出了一种用于确定标定参数的方法，包括：确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，深度信息采集设备安装在无人自主设备上；获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；基于第一关键点集合和第二关键点集合，生成关键点对集合；基于关键点对集合优化初始标定参数，得到标定参数。
在一些实施例中，确定深度信息采集设备与无人自主设备之间的初始标定参数，包括：获取深度信息采集设备的坐标系与无人自主设备的坐标系之间的测量角度和测量距离；基于测量角度和测量距离，计算初始标定参数。
在一些实施例中，获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合，包括：获取深度信息采集设备采集的无人自主设备的深度图像；从深度图像中选取无人自主设备的第一关键点集合；获取在无人自主设备的坐标系中预先建立的无人自主设备的三维模型；从三维模型中选取与第一关键点集合的位置对应的第二关键点集合。
在一些实施例中，基于关键点对集合优化初始标定参数，得到标定参数，包括：执行以下确定步骤：对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的第一关键点投影到无人自主设备的坐标系中，得到投影关键点；计算投影关键点与该关键点对中的第二关键点之间的距离；基于距离确定是否满足约束条件；若满足约束条件，将初始标定参数确定为标定参数。
在一些实施例中，基于关键点对集合优化初始标定参数，得到标定参数，还包括：响应于不满足约束条件，通过最小化距离优化初始标定参数，以及继续执行确定步骤。
在一些实施例中，在继续执行确定步骤之前，还包括：从深度图像中选取与第一关键点集合不同的新第一关键点集合；从三维模型中选取与新第一关键点集合的位置对应的新第二关键点集合；基于新第一关键点集合和新第二关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在一些实施例中，初始标定参数包括初始旋转矩阵和初始平移矩阵；以及利用初始标定参数将该关键点对中的第一关键点投影到无人自主设备的坐标系中，得到投影关键点，包括：计算该关键点对中的第一关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。
在一些实施例中，在确定步骤中利用最小二乘优化算法优化初始标定参数。
第二方面，本申请实施例提出了一种用于确定标定参数的装置，包括：确定单元，被配置成确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，深度信息采集设备安装在无人自主设备上；获取单元，被配置成获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；生成单元，被配置成基于第一关键点集合和第二关键点集合，生成关键点对集合；优化单元，被配置成基于关键点对集合优化初始标定参数，得到标定参数。
在一些实施例中，确定单元进一步被配置成：获取深度信息采集设备的坐标系与无人自主设备的坐标系之间的测量角度和测量距离；基于测量角度和测量距离，计算初始标定参数。
在一些实施例中，获取单元进一步被配置成：获取深度信息采集设备采集的无人自主设备的深度图像；从深度图像中选取无人自主设备的第一关键点集合；获取在无人自主设备的坐标系中预先建立的无人自主设备的三维模型；从三维模型中选取与第一关键点集合的位置对应的第二关键点集合。
在一些实施例中，优化单元包括：确定子单元，被配置成执行以下确定步骤：对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的第一关键点投影到无人自主设备的坐标系中，得到投影关键点；计算投影关键点与该关键点对中的第二关键点之间的距离；基于距离确定是否满足约束条件；若满足约束条件，将初始标定参数确定为标定参数。
在一些实施例中，优化单元还包括：优化子单元，被配置成响应于不满足约束条件，通过最小化距离优化初始标定参数，以及继续执行确定步骤。
在一些实施例中，优化单元还包括：第一选取子单元，被配置成从深度图像中选取与第一关键点集合不同的新第一关键点集合；第二选取子单元，被配置成从三维模型中选取与新第一关键点集合的位置对应的新第二关键点集合；生成子单元，被配置成基于新第一关键点集合和新第二关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在一些实施例中，初始标定参数包括初始旋转矩阵和初始平移矩阵；以及确定子单元进一步被配置成：计算该关键点对中的第一关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。
在一些实施例中，在确定步骤中利用最小二乘优化算法优化初始标定参数。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于确定标定参数的方法和装置，首先确定安装在无人自主设备上的深度信息采集设备与无人自主设备之间的初始标定参数；之后获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；然后基于第一关键点集合和第二关键点集合，生成关键点对集合；最后基于关键点对集合优化初始标定参数，得到标定参数。基于关键点对集合优化初始标定参数来得到标定参数，提高了标定参数的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构；
图2是根据本申请的用于确定标定参数的方法的一个实施例的流程图；
图3是根据本申请的用于确定标定参数的方法的又一个实施例的流程图；
图4是根据本申请的用于确定标定参数的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于确定标定参数的方法或用于确定标定参数的装置的实施例的示例性***架构100。
如图1所示，***架构100中可以包括无人自主设备101、深度信息采集设备102、服务器103和网络104。网络104用以在无人自主设备101、深度信息采集设备102和服务器103之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
深度信息采集设备102安装在无人自主设备101上。通常，安装在无人自主设备101上的深度信息采集设备102可以采集无人自主设备的至少一部分的深度图像。
服务器103可以是提供各种服务的服务器，例如，无人自主设备101的后台服务器。无人自主设备101的后台服务器可以对深度信息采集设备102与无人自主设备101之间的初始标定参数等数据进行分析等处理，生成处理结果(例如标定参数)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于确定标定参数的方法一般由服务器103执行，相应地，用于确定标定参数的装置一般设置于服务器103中。
应该理解，图1中的无人自主设备、深度信息采集设备、服务器和网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人自主设备、深度信息采集设备、服务器和网络。
继续参考图2，其示出了根据本申请的用于确定标定参数的方法的一个实施例的流程200。该用于确定标定参数的方法包括以下步骤：
步骤201，确定深度信息采集设备与无人自主设备之间的初始标定参数。
在本实施例中，用于确定标定参数的方法的执行主体(例如图1所示的服务器103)可以确定深度信息采集设备(例如图1所示的深度信息采集设备102)与无人自主设备(例如图1所示的无人自主设备101)之间的初始标定参数。其中，初始标定参数可以表征深度信息采集设备的坐标系与无人自主设备的坐标系之间的初始位姿关系。
通常，无人自主设备可以是无需人为控制即可自主行驶或自主行走的设备，包括但不限于无人驾驶汽车、无人自主挖掘机、机器人等等。深度信息采集设备可以固定安装在无人自主设备上，用于采集无人自主设备的周围环境的深度图像，包括但不限于激光雷达、深度相机等等。
实践中，初始标定参数可以通过多种方式确定。例如，根据经验预估初始标定参数。又例如，通过测量法测量初始标定参数。具体地，上述执行主体可以首先获取深度信息采集设备的坐标系与无人自主设备的坐标系之间的测量角度和测量距离；然后基于测量角度和测量距离，计算初始标定参数。其中，测量工具可以包括但不限于水平仪、量角器、卷尺和米尺等等。在深度信息采集设备固定安装在无人自主设备上之后，深度信息采集设备与无人自主设备之间位姿关系就被固定下来。此时，不仅能够测量深度信息采集设备的坐标系的原点与无人自主设备的坐标系的原点之间的距离，还能够测量深度信息采集设备的坐标系的三个坐标轴与无人自主设备的坐标系的三个坐标轴之间的角度。然而，测量工具本身具有误差。此外，若无人自主设备的作业范围较大，就会产生更多的误差。例如，无人自主挖掘机的作业范围通常为5米到10米，角度上1度的误差可能会产生10厘米到20厘米的误差。因此，测量法测量的初始标定参数并不能直接作为标定参数。
步骤202，获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合。
在本实施例中，上述执行主体可以获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合。
通常，安装在无人自主设备上的深度信息采集设备可以采集到无人自主设备的至少部分的深度图像。例如，安装在无人自主挖掘机的车顶，且视角在前方的深度相机可以采集到无人自主挖掘机的铲斗和部分挖臂。此时，深度信息采集设备可以采集无人自主设备的深度图像，并发送至上述执行主体。上述执行主体可以从该深度图像中选取无人自主设备的多个关键点，生成第一关键点集合。其中，深度图像可以包括所采集到的部分无人自主设备的点。并且，这些点均是在深度信息采集设备的坐标系中的点。此外，无人自主设备会对应有三维模型。该三维模型可以为工业级尺寸的，与真实无人自主设备为一比一比例模型，例如CAD模型。上述执行主体可以获取无人自主设备的三维模型，并从中依次选取出与第一关键点集合中的每个第一关键点的位置对应的关键点，生成第二关键点集合。其中，无人自主设备的三维模型可以包括无人自主设备的点。并且，这些点均是在无人自主设备的坐标系中的点。
步骤203，基于第一关键点集合和第二关键点集合，生成关键点对集合。
在本实施例中，上述执行主体可以基于第一关键点集合和第二关键点集合，生成关键点对集合。其中，关键点对集合中的每个关键点对可以包括一个第一关键点和一个第二关键点，并且，同一关键点对中的第一关键点与第二关键点的位置对应。换句话说，由于第一关键点集合中的第一关键点与第二关键点集合中的第二关键点在位置上一一对应，因此每对在位置上对应的第一关键点与第二关键点可以生成一个关键点对。
步骤204，基于关键点对集合优化初始标定参数，得到标定参数。
在本实施例中，上述执行主体可以基于关键点对集合优化初始标定参数，得到标定参数。具体地，关键点对集合中的关键点对包括位置对应的第一关键点和第二关键点。第一关键点是在深度信息采集设备的坐标系中的点，第二关键点是在无人自主设备的坐标系中的点，因此基于关键点对集合可以确定深度信息采集设备的坐标系与无人自主设备的坐标系之间的真实角度和真实距离。若深度信息采集设备的坐标系与无人自主设备的坐标系之间的真实角度和真实距离与初始标定参数对应的深度信息采集设备的坐标系与无人自主设备的坐标系之间的测量角度和测量距离完全一致，说明初始标定参数就是真实的标定参数。若不一致，上述执行主体可以最小化两者之间的偏差来优化初始标定参数，以得到真实的标定参数。
本申请实施例提供的用于确定标定参数的方法，首先确定安装在无人自主设备上的深度信息采集设备与无人自主设备之间的初始标定参数；之后获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；然后基于第一关键点集合和第二关键点集合，生成关键点对集合；最后基于关键点对集合优化初始标定参数，得到标定参数。基于关键点对集合优化初始标定参数来得到标定参数，提高了标定参数的准确度。
进一步参考图3，其示出了根据本申请的用于确定标定参数的方法的又一个实施例的流程300。该用于确定标定参数的方法包括以下步骤：
步骤301，确定深度信息采集设备与无人自主设备之间的初始标定参数。
在本实施例中，步骤301的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。
步骤302，获取深度信息采集设备采集的无人自主设备的深度图像。
在本实施例中，用于确定标定参数的方法的执行主体(例如图1所示的服务器103)可以获取深度信息采集设备(例如图1所示的深度信息采集设备102)采集的无人自主设备(例如图1所示的无人自主设备101)的深度图像。通常，安装在无人自主设备上的深度信息采集设备可以采集到无人自主设备的至少部分的深度图像。例如，安装在无人自主挖掘机的车顶，且视角在前方的深度相机可以采集到无人自主挖掘机的铲斗和部分挖臂。此时，深度信息采集设备可以采集无人自主设备的深度图像，并发送至上述执行主体。其中，深度图像可以包括所采集到的部分无人自主设备的点。并且，这些点均是在深度信息采集设备的坐标系中的点。
步骤303，从深度图像中选取无人自主设备的第一关键点集合。
在本实施例中，上述执行主体可以从深度图像中选取无人自主设备的多个关键点，生成第一关键点集合。
步骤304，获取在无人自主设备的坐标系中预先建立的无人自主设备的三维模型。
在本实施例中，上述执行主体可以获取在无人自主设备的坐标系中预先建立的无人自主设备的三维模型。通常，无人自主设备会对应有三维模型。该三维模型可以为工业级尺寸的，与真实无人自主设备为一比一比例模型，例如CAD模型。其中，无人自主设备的三维模型可以包括无人自主设备的点。并且，这些点均是在无人自主设备的坐标系中的点。
步骤305，从三维模型中选取与第一关键点集合的位置对应的第二关键点集合。
在本实施例中，上述执行主体可以从三维模型中依次选取出与第一关键点集合中的每个第一关键点的位置对应的关键点，生成第二关键点集合。
步骤306，基于第一关键点集合和第二关键点集合，生成关键点对集合。
在本实施例中，步骤306的具体操作已在图2所示的实施例中步骤203中进行了详细的介绍，在此不再赘述。
步骤307，对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的第一关键点投影到无人自主设备的坐标系中，得到投影关键点。
在本实施例中，对于关键点对集合中的关键点对，上述执行主体可以利用初始标定参数将该关键点对中的第一关键点投影到无人自主设备的坐标系中，得到对应的投影关键点。由于初始标定参数可以表征深度信息采集设备的坐标系与无人自主设备的坐标系之间的初始位姿关系，因此深度信息采集设备的坐标系中的第一关键点是可以基于初始标定参数投影到无人自主设备的坐标系中的。
在本实施例的一些可选的实现方式中，初始标定参数可以包括初始旋转矩阵和初始平移矩阵。此时，上述执行主体可以计算该关键点对中的第一关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。具体计算公式如下所示：
PW'＝R×PD+T；
其中，R是初始旋转矩阵，T是初始平移矩阵，(PD,PW)是关键点对，PD是第一关键点，PW是第二关键点，PW'是第一关键点PD的投影关键点。
通常，若PW与PW'基本重合，说明初始标定参数准确，就是真实的标定参数。若PW与PW'偏差较大，说明初始标定参数不准确，需要进行优化。
步骤308，计算投影关键点与该关键点对中的第二关键点之间的距离。
在本实施例中，上述执行主体可以计算投影关键点与该关键点对中的第二关键点之间的距离。通常，距离越小，说明投影关键点与第二关键点偏差越小；距离越大，说明投影关键点与第二关键点偏差越大。
步骤309，基于距离确定是否满足约束条件。
在本实施例中，上述执行主体可以基于距离确定是否满足预设条件。若满足约束条件，继续执行步骤310；若不满足约束条件，继续执行步骤311。其中，约束条件可以是预先设置的满足需求的条件，例如距离小于预设阈值。若距离小于预设阈值，说明投影关键点与第二关键点基本重合。若距离不小于预设阈值，说明投影关键点与第二关键点偏差较大。
步骤310，将初始标定参数确定为标定参数。
在本实施例中，若满足约束条件，说明初始标定参数准确，就是真实的标定参数。此时，上述执行主体可以将初始标定参数直接确定为标定参数。
步骤311，通过最小化距离优化初始标定参数。
在本实施例中，若不满足约束条件，说明初始标定参数不准确，需要进行优化。具体地，上述执行主体可以通过最小化距离优化初始标定参数。其中，优化初始标定参数的算法可以例如是在最小二乘优化算法。
步骤312，从深度图像中选取与第一关键点集合不同的新第一关键点集合。
在本实施例中，上述执行主体可以从深度图像中选取与第一关键点集合不同的新的多个关键点，生成新第一关键点集合。
步骤313，从三维模型中选取与新第一关键点集合的位置对应的新第二关键点集合。
在本实施例中，上述执行主体可以从三维模型中选取与新第一关键点集合中的每个新第一关键点的位置对应的关键点，生成新第二关键点集合。
步骤314，基于新第一关键点集合和新第二关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在本实施例中，上述执行主体可以基于新第一关键点集合和新第二关键点集合，生成新关键点对集合，并将新关键点对集合合并到关键点对集合中，随后继续执行步骤307。如此，经过多轮优化，即可得到满足需求的标定参数。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于确定标定参数的方法的流程300突出了优化初始标定参数的步骤。由此，本实施例描述的方案利用初始标定参数将第一关键点投影到无人自主设备的坐标系中，得到投影关键点，基于投影关键点与第二关键点之间的距离优化初始标定参数，提供了一种易于实现的优化方式。此外，在距离不满足约束条件的情况下，选取更多的关键点对增加样本的多样性来优化初始标定参数，从而提高了优化效果。
进一步参考图4，作为对上述各图所示的方法的实现，本申请提供了一种用于确定标定参数的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于确定标定参数的装置400可以包括：确定单元401、获取单元402、生成单元403和优化单元404。其中，确定单元401，被配置成确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，深度信息采集设备安装在无人自主设备上；获取单元402，被配置成获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；生成单元403，被配置成基于第一关键点集合和第二关键点集合，生成关键点对集合；优化单元404，被配置成基于关键点对集合优化初始标定参数，得到标定参数。
在本实施例中，用于确定标定参数的装置400中：确定单元401、获取单元402、生成单元403和优化单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，确定单元401进一步被配置成：获取深度信息采集设备的坐标系与无人自主设备的坐标系之间的测量角度和测量距离；基于测量角度和测量距离，计算初始标定参数。
在本实施例的一些可选的实现方式中，获取单元402进一步被配置成：获取深度信息采集设备采集的无人自主设备的深度图像；从深度图像中选取无人自主设备的第一关键点集合；获取在无人自主设备的坐标系中预先建立的无人自主设备的三维模型；从三维模型中选取与第一关键点集合的位置对应的第二关键点集合。
在本实施例的一些可选的实现方式中，优化单元404包括：确定子单元(图中未示出)，被配置成执行以下确定步骤：对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的第一关键点投影到无人自主设备的坐标系中，得到投影关键点；计算投影关键点与该关键点对中的第二关键点之间的距离；基于距离确定是否满足约束条件；若满足约束条件，将初始标定参数确定为标定参数。
在本实施例的一些可选的实现方式中，优化单元404还包括：优化子单元(图中未示出)，被配置成响应于不满足约束条件，通过最小化距离优化初始标定参数，以及继续执行确定步骤。
在本实施例的一些可选的实现方式中，优化单元404还包括：第一选取子单元(图中未示出)，被配置成从深度图像中选取与第一关键点集合不同的新第一关键点集合；第二选取子单元(图中未示出)，被配置成从三维模型中选取与新第一关键点集合的位置对应的新第二关键点集合；生成子单元(图中未示出)，被配置成基于新第一关键点集合和新第二关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在本实施例的一些可选的实现方式中，初始标定参数包括初始旋转矩阵和初始平移矩阵；以及确定子单元进一步被配置成：计算该关键点对中的第一关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。
在本实施例的一些可选的实现方式中，在确定步骤中利用最小二乘优化算法优化初始标定参数。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机***500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括确定单元、获取单元、生成单元和优化单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“确定深度信息采集设备与无人自主设备之间的初始标定参数的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，深度信息采集设备安装在无人自主设备上；获取无人自主设备在深度信息采集设备的坐标系中的第一关键点集合和在无人自主设备的坐标系中的第二关键点集合；基于第一关键点集合和第二关键点集合，生成关键点对集合；基于关键点对集合优化初始标定参数，得到标定参数。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于确定标定参数的方法，包括：
确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，所述深度信息采集设备安装在所述无人自主设备上；
获取所述无人自主设备在所述深度信息采集设备的坐标系中的第一关键点集合和在所述无人自主设备的坐标系中的第二关键点集合；
基于所述第一关键点集合和所述第二关键点集合，生成关键点对集合；
基于所述关键点对集合优化所述初始标定参数，得到标定参数；
其中，所述基于所述关键点对集合优化所述初始标定参数，得到标定参数，包括：
执行以下确定步骤：对于所述关键点对集合中的关键点对，利用所述初始标定参数将该关键点对中的第一关键点投影到所述无人自主设备的坐标系中，得到投影关键点；计算所述投影关键点与该关键点对中的第二关键点之间的距离；基于所述距离确定是否满足约束条件；若满足所述约束条件，将所述初始标定参数确定为所述标定参数。
2.根据权利要求1所述的方法，其中，所述确定深度信息采集设备与无人自主设备之间的初始标定参数，包括：
获取所述深度信息采集设备的坐标系与所述无人自主设备的坐标系之间的测量角度和测量距离；
基于所述测量角度和所述测量距离，计算所述初始标定参数。
3.根据权利要求1或2所述的方法，其中，所述获取所述无人自主设备在所述深度信息采集设备的坐标系中的第一关键点集合和在所述无人自主设备的坐标系中的第二关键点集合，包括：
获取所述深度信息采集设备采集的所述无人自主设备的深度图像；
从所述深度图像中选取所述无人自主设备的第一关键点集合；
获取在所述无人自主设备的坐标系中预先建立的所述无人自主设备的三维模型；
从所述三维模型中选取与所述第一关键点集合的位置对应的第二关键点集合。
4.根据权利要求3所述的方法，其中，所述基于所述关键点对集合优化所述初始标定参数，得到标定参数，还包括：
响应于不满足所述约束条件，通过最小化所述距离优化所述初始标定参数，以及继续执行所述确定步骤。
5.根据权利要求4所述的方法，其中，在所述继续执行所述确定步骤之前，还包括：
从所述深度图像中选取与所述第一关键点集合不同的新第一关键点集合；
从所述三维模型中选取与所述新第一关键点集合的位置对应的新第二关键点集合；
基于所述新第一关键点集合和所述新第二关键点集合，生成新关键点对集合，以及合并到所述关键点对集合中。
6.根据权利要求4-5之一所述的方法，其中，所述初始标定参数包括初始旋转矩阵和初始平移矩阵；以及
所述利用所述初始标定参数将该关键点对中的第一关键点投影到所述无人自主设备的坐标系中，得到投影关键点，包括：
计算该关键点对中的第一关键点与所述初始旋转矩阵的乘积，以及计算所述乘积与所述初始平移矩阵的和，得到所述投影关键点。
7.根据权利要求4-5之一所述的方法，其中，在所述确定步骤中利用最小二乘优化算法优化所述初始标定参数。
8.一种用于确定标定参数的装置，包括：
确定单元，被配置成确定深度信息采集设备与无人自主设备之间的初始标定参数，其中，所述深度信息采集设备安装在所述无人自主设备上；
获取单元，被配置成获取所述无人自主设备在所述深度信息采集设备的坐标系中的第一关键点集合和在所述无人自主设备的坐标系中的第二关键点集合；
生成单元，被配置成基于所述第一关键点集合和所述第二关键点集合，生成关键点对集合；
优化单元，被配置成基于所述关键点对集合优化所述初始标定参数，得到标定参数；
其中，所述优化单元包括：
确定子单元，被配置成执行以下确定步骤：对于所述关键点对集合中的关键点对，利用所述初始标定参数将该关键点对中的第一关键点投影到所述无人自主设备的坐标系中，得到投影关键点；计算所述投影关键点与该关键点对中的第二关键点之间的距离；基于所述距离确定是否满足约束条件；若满足所述约束条件，将所述初始标定参数确定为所述标定参数。
9.根据权利要求8所述的装置，其中，所述确定单元进一步被配置成：
获取所述深度信息采集设备的坐标系与所述无人自主设备的坐标系之间的测量角度和测量距离；
基于所述测量角度和所述测量距离，计算所述初始标定参数。
10.根据权利要求8或9所述的装置，其中，所述获取单元进一步被配置成：
获取所述深度信息采集设备采集的所述无人自主设备的深度图像；
从所述深度图像中选取所述无人自主设备的第一关键点集合；
获取在所述无人自主设备的坐标系中预先建立的所述无人自主设备的三维模型；
从所述三维模型中选取与所述第一关键点集合的位置对应的第二关键点集合。
11.根据权利要求10所述的装置，其中，所述优化单元还包括：
优化子单元，被配置成响应于不满足所述约束条件，通过最小化所述距离优化所述初始标定参数，以及继续执行所述确定步骤。
12.根据权利要求11所述的装置，其中，所述优化单元还包括：
第一选取子单元，被配置成从所述深度图像中选取与所述第一关键点集合不同的新第一关键点集合；
第二选取子单元，被配置成从所述三维模型中选取与所述新第一关键点集合的位置对应的新第二关键点集合；
生成子单元，被配置成基于所述新第一关键点集合和所述新第二关键点集合，生成新关键点对集合，以及合并到所述关键点对集合中。
13.根据权利要求11-12之一所述的装置，其中，所述初始标定参数包括初始旋转矩阵和初始平移矩阵；以及
所述确定子单元进一步被配置成：
计算该关键点对中的第一关键点与所述初始旋转矩阵的乘积，以及计算所述乘积与所述初始平移矩阵的和，得到所述投影关键点。
14.根据权利要求11-12之一所述的装置，其中，在所述确定步骤中利用最小二乘优化算法优化所述初始标定参数。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201911251114.2A 2019-12-09 2019-12-09 用于确定标定参数的方法和装置 Active CN113034603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251114.2A CN113034603B (zh) 2019-12-09 2019-12-09 用于确定标定参数的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251114.2A CN113034603B (zh) 2019-12-09 2019-12-09 用于确定标定参数的方法和装置

Publications (2)

Publication Number Publication Date
CN113034603A CN113034603A (zh) 2021-06-25
CN113034603B true CN113034603B (zh) 2023-07-14

Family

ID=76451099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251114.2A Active CN113034603B (zh) 2019-12-09 2019-12-09 用于确定标定参数的方法和装置

Country Status (1)

Country Link
CN (1) CN113034603B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601451B (zh) * 2022-12-14 2023-03-21 深圳思谋信息科技有限公司 外参数据标定方法、装置、计算机设备和存储介质
CN115950356A (zh) * 2022-12-26 2023-04-11 江苏徐工工程机械研究院有限公司 铲斗坐标标定方法和装置、更新方法和设备、挖掘机

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018103152A1 (zh) * 2016-12-05 2018-06-14 杭州先临三维科技股份有限公司 一种三维数字成像传感器、三维扫描***及其扫描方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100573586C (zh) * 2008-02-21 2009-12-23 南京航空航天大学 一种双目立体测量***的标定方法
CN106981082B (zh) * 2017-03-08 2020-04-17 驭势科技（北京）有限公司 车载摄像头标定方法、装置及车载设备
TWI622960B (zh) * 2017-11-10 2018-05-01 財團法人工業技術研究院 深度影像擷取裝置的校正方法
CN107862720B (zh) * 2017-11-24 2020-05-22 北京华捷艾米科技有限公司 基于多地图融合的位姿优化方法及位姿优化***
CN108446606A (zh) * 2018-03-01 2018-08-24 苏州纳智天地智能科技有限公司 一种基于加速二进制特征提取的人脸关键点检测方法
CN109242913B (zh) * 2018-09-07 2020-11-10 百度在线网络技术（北京）有限公司 采集器相对参数的标定方法、装置、设备和介质
CN109993113B (zh) * 2019-03-29 2023-05-02 东北大学 一种基于rgb-d和imu信息融合的位姿估计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018103152A1 (zh) * 2016-12-05 2018-06-14 杭州先临三维科技股份有限公司 一种三维数字成像传感器、三维扫描***及其扫描方法

Also Published As

Publication number Publication date
CN113034603A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN109521403B (zh) 多线激光雷达的参数标定方法及装置、设备及可读介质
US11024045B2 (en) Method and apparatus for generating three-dimensional data, device, and storage medium
CN111174799B (zh) 地图构建方法及装置、计算机可读介质、终端设备
JP6952165B2 (ja) 障害物検出方法および装置
CN109407073B (zh) 反射值地图构建方法和装置
Son et al. Automated schedule updates using as-built data and a 4D building information model
CN112258567B (zh) 物体抓取点的视觉定位方法、装置、存储介质及电子设备
CN111461981B (zh) 点云拼接算法的误差估计方法和装置
CN108876857B (zh) 无人驾驶车辆的定位方法、***、设备及存储介质
CN113034603B (zh) 用于确定标定参数的方法和装置
CN116182878B (zh) 道路曲面信息生成方法、装置、设备和计算机可读介质
CN115205128A (zh) 基于结构光的深度相机温漂校正方法、***、设备及介质
CN110618413A (zh) 基于多线激光雷达的可通行区域检测方法和装置
CN112580428A (zh) 一种配电网设计方法及装置
CN115272452A (zh) 一种目标检测定位方法、装置、无人机及存储介质
CN114387352A (zh) 一种外参标定方法、装置、设备及存储介质
CN112837604B (zh) 确定地图中的目标点的地理坐标的方法和装置
CN113034562B (zh) 用于优化深度信息的方法和装置
CN113177980A (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN110853098B (zh) 机器人定位方法、装置、设备及存储介质
CN112630798B (zh) 用于估计地面的方法和装置
CN116626700A (zh) 一种机器人定位方法、装置、电子设备和存储介质
CN116295508A (zh) 一种基于高精地图的路侧传感器标定方法、设备和***
KR20220052456A (ko) Ai를 이용한 선박의 케이블 길이 측정 방법
CN110389349B (zh) 定位方法和装置

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