CN113933820A

CN113933820A - 一种无标定物的激光雷达外参标定方法

Info

Publication number: CN113933820A
Application number: CN202111538615.6A
Authority: CN
Inventors: 汪丹; 王劲
Original assignee: Ciic Technology Co ltd
Current assignee: Ciic Technology Co ltd; Tianyi Transportation Technology Co ltd
Priority date: 2021-12-16
Filing date: 2021-12-16
Publication date: 2022-01-14
Anticipated expiration: 2041-12-16
Also published as: CN113933820B

Abstract

本发明公开了一种无标定物的激光雷达外参标定方法，涉及激光雷达技术领域，包括获取点云地图，使待标定激光雷达位于点云地图范围内；待标定激光雷达扫描得到一帧原始点云数据，提取原始点云数据的线特征和面特征；通过***件对待标定激光雷达进行定位，得到待标定激光雷达的定位点，然后加载以该定位点为圆心的局部点云地图；将从原始点云数据中提取的线特征和面特征与局部点云地图的线特征和面特征进行粗匹配，得到对应的偏航角和位移，作为待标定激光雷达的初始外参。本发明利用待标定激光雷达与预先建立的点云地图融合，直接获得待标定激光雷达在地图坐标系中的位姿即外参，标定的精度高、效率高。

Description

一种无标定物的激光雷达外参标定方法

技术领域

本发明涉及激光雷达技术领域，特别是涉及一种无标定物的激光雷达外参标定方法。

背景技术

传感器标定的目的是为了获取该传感器在某一坐标系下的姿态，即2D/3D的位置和朝向，这个位置和朝向即是该传感器相对于这一坐标系的外参。所以如果想要对一个传感器做标定，就需要明确需要获取的外参是相对哪一个坐标系而言的。在无人驾驶的应用场景中，这个目标坐标系通常是自车坐标系或者地图坐标系。

在自动驾驶技术中，一般会利用装在车端的激光雷达和车路协同路边的激光雷达检测物体的位置，以及利用车端激光雷达和其他的多种传感器融合给自车定位。在这些需要融合激光雷达数据的应用场景中，都需要先标定激光雷达的外参。

目前，行业内激光雷达外参标定常见的方法是：多激光雷达之间的融合标定，即利用一个待标定的激光雷达和一个参考激光雷达分别扫描同一场景的点云，然后对获取到的两对点云数据做icp或者ndt配准，从而计算出这两个激光雷达之间的位姿变化，即可以获得待标定的激光雷达在参考激光雷达坐标系中的外参。但是这种标定方法会带来一些问题：一个是如何获取参考激光雷达的外参，只知道待标定激光雷达相对于参考激光雷达的位姿关系可能并不能满足在无人驾驶中数据融合的需求；另一个是这种标定方法对两个激光雷达的安装位置也有比较高的要求，要求这两个激光雷达扫描到的场景要有比较多的重合区域，足够去做点云配准；此外，假如只有一个待标定的激光雷达，无法提供参考激光雷达，这种方法也不适用。

发明内容

本发明所要解决的技术问题是，克服现有技术的缺点，提供一种无标定物的激光雷达外参标定方法。

为了解决以上技术问题，本发明的技术方案如下：

一种无标定物的激光雷达外参标定方法，包括，

获取预先建立好的点云地图，使待标定激光雷达位于该点云地图范围内；

待标定激光雷达扫描得到一帧原始点云数据，然后提取原始点云数据的线特征和面特征；

通过***件对待标定激光雷达进行定位，得到待标定激光雷达的定位点，然后加载以该定位点为圆心的局部点云地图；

将从原始点云数据中提取的线特征和面特征与局部点云地图的线特征和面特征进行匹配，得到对应的偏航角和位移，将其作为待标定激光雷达的初始外参。

作为本发明所述无标定物的激光雷达外参标定方法的一种优选方案，其中：在所述将从原始点云数据中提取的线特征和面特征与局部点云地图的线特征和面特征进行匹配，得到对应的偏航角和位移，将其作为待标定激光雷达的初始外参之后，还包括，

以初始外参为中心，加载局部点云地图；

在局部点云地图中搜索与从原始点云数据中提取的线特征和面特征相对应的匹配点和匹配数据，然后将点云点投影至点云地图上，对初始外参进行调整，得到优化后外参；

待标定激光雷达扫描得到新一帧原始点云数据，并从新一帧原始点云数据中提取线特征和面特征；

以优化后外参为中心，加载局部点云地图；

在局部点云地图中搜索与新一帧原始点云数据中提取的线特征和面特征相对应的匹配点和匹配数据，然后将点云点投影至点云地图上，对优化后外参再次进行调整，得到优化后外参；

重复以上步骤若干次，直至前后两帧点云数据优化计算得到的结果误差小于设定的阈值，得到待标定激光雷达的外参。

作为本发明所述无标定物的激光雷达外参标定方法的一种优选方案，其中：所述提取原始点云数据的线特征和面特征包括，

对原始点云数据进行分线束处理；

对每一线束上的点的曲率进行计算；

判断线束中的当前点与下一点的夹角是否大于1°，若是，则将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点剔除；

将每一线束上的剩余点均分为若干段；

对每段中的点按曲率由大到小的顺序筛选线特征，先依次判断当前点是否为遮挡点，若是，则将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点，然后依次判断当前点的曲率是否大于预设的阈值，若当前点的曲率大于预设的阈值且当前点不是坏点，则认定当前点为线特征，并在当前点被认定为线特征后，将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点；

对每段中的点按曲率由小到大的顺序筛选面特征，先依次判断当前点是否与激光线束平行，若平行，则将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点，然后依次判断当前点的曲率是否小于预设的阈值，若当前点的曲率小于预设的阈值且当前点不是坏点，则认定当前点为面特征，并在当前点被认定为面特征后，将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点。

作为本发明所述无标定物的激光雷达外参标定方法的一种优选方案，其中：所述对每一线束上的点的曲率进行计算包括，

根据公式一计算第k个线束上的第i个点的曲率，公式一为：

，

其中，

表示第k个线束上的点云的第i个点，j=1,2,3,…,10;

根据公式一计算得到

,

,…,

，然后对这十个曲率进行排序，取中值作为第k个线束上的第i个点的曲率；

按照以上方法计算每个线束上的点的曲率。

作为本发明所述无标定物的激光雷达外参标定方法的一种优选方案，其中：需要计算曲率的点为每个线束上的第十个点至第n-10个点， n为线束上点的总数。

作为本发明所述无标定物的激光雷达外参标定方法的一种优选方案，其中：所述局部点云地图的半径为50~200m。

作为本发明所述无标定物的激光雷达外参标定方法的一种优选方案，其中：所述***件包括GPS定位装置和惯性传感器。

本发明的有益效果是：

（1）本发明利用待标定激光雷达与预先建立的点云地图融合，直接获得待标定激光雷达在地图坐标系中的位姿即外参，标定的精度高、效率高。

（2）本发明通过***获取待标定激光雷达的位置，并以此位置为中心，加载相应的点云地图，然后利用待标定激光雷达扫描到的点云数据与该地图进行匹配，获得待标定激光雷达的外参信息，标定过程不需要任何标定物，且对标定的环境没有任何要求，只需要将待标定激光雷达置于点云地图区域内就可以随时进行标定。

（3）本发明利用预先建立好的点云地图，该点云地图经过滤除动态对象、回环检测等建图步骤后，自身的建图精度很高，使激光雷达的标定精度更高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明提供的无标定物的激光雷达外参标定方法的流程示意图；

图2为本发明提供的无标定物的激光雷达外参标定方法中提取原始点云数据的线特征和面特征的流程示意图；

图3为本发明提供的无标定物的激光雷达外参标定方法中利用之后的点云数据帧对待标定激光雷达的初始外参进行优化的流程示意图；

图4为实施例提供的分支定界方法搜索算法的示意图。

具体实施方式

为使本发明的内容更容易被清楚地理解，下面根据具体实施方式并结合附图，对本发明作出进一步详细的说明。

本实施例提供了一种无标定物的激光雷达外参标定方法，包括步骤S101~步骤S105，具体步骤说明如下：

步骤S101：获取预先建立好的点云地图，使待标定激光雷达位于该点云地图范围内。

具体的，获取预先建立好的点云地图，该点云地图是经过滤除动态对象、回环检测等建图步骤之后形成的，自身精度较高，且是以线特征和面特征形式进行储存的地图。之后将待标定激光雷达置于该点云地图覆盖的区域内，且在整个外参标定的过程中保持静止。

步骤S102：待标定激光雷达扫描得到一帧原始点云数据，然后提取原始点云数据的线特征和面特征。

具体的，提取原始点云数据的线特征和面特征包括以下步骤：

步骤S102a：对原始点云数据进行分线束处理。其中，不同型号、不同线束的激光雷达的线束模型都不相同，具体可通过查阅对应的用户手册获取使用的激光雷达对应的线束模型。以机械式激光雷达为例，机械式激光雷达是按照旋转扫描的方式工作的，一个光源扫一圈，这一圈的点云数据是一个线束的点。下面以velodyne 16线的激光雷达为例，说明分线束处理的操作：

表1-1：velodyne 16线激光雷达线束号和竖直角度的对应关系表

Laser ID	Vertical Angle
		0	-15°
1	1°
		2	-13°
3	3°
		4	-11°
5	5°
		6	-9°
7	7°
		8	-7°
9	9°
		10	-5°
11	11°
		12	-3°
13	13°
		14	-1°
15	15°

表1-1所示是velodyne 16线激光雷达线束号和竖直角度的对应关系。假设点p（x,y,z）是该激光雷达扫描到的一个点，它的竖直角angle可以计算为：

。

根据以上表1-1所示的线束id和竖直角对应关系可以计算某一竖直角对应的线束id：

，从而计算出每一个三维激光点对应的线束号，实现对原始点云数据的分线束处理。

步骤S102b：对每一线束上的点的曲率进行计算。需要说明的是，按照线束上点的排列顺序，计算的是每一线束上的第十个点至倒数第十个点。计算这些点的曲率是由于每一线束上的前十个点和后十个点不够稳定，且计算当前点的时候，需要和它前十个点、后十个点做运算，因此无法计算前十个和后十个点的曲率。对线束上点的曲率计算具体包括以下步骤：

步骤S102b-1：根据公式一计算第k个线束上的第i个点的曲率，公式一为：

，其中，

表示第k个线束上的点云的第i个点的数据，即三维坐标数据，j=1,2,3,…,10。

步骤S102b-2：根据公式一计算得到

,

,…,

，然后对这十个曲率进行排序，取中值作为第k个线束上的第i个点的曲率。

之后按照以上方法计算每个线束上的点的曲率。

步骤S102c：判断线束中的当前点与下一点的夹角是否大于1°，若是，则将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点剔除。

步骤S102d：将每一线束上的剩余点均分为若干段。分为若干段的目的是使后续挑选出的线特征和面特征均匀分布。在本实施例中，将每一线束上的剩余点均分为六段。

步骤S102e：对每段中的点按曲率由大到小的顺序筛选线特征，具体包括以下步骤：先依次判断当前点是否为遮挡点，若是，则将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点，然后依次判断当前点的曲率是否大于预设的阈值，若当前点的曲率大于预设的阈值且当前点不是坏点，则认定当前点为线特征，并在当前点被认定为线特征后，将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点。重复上述步骤，直至筛选完所有线束上的线特征。

步骤S102f：对每段中的点按曲率由小到大的顺序筛选面特征，具体包括以下步骤：先依次判断当前点是否与激光线束平行，若平行，则将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点，然后依次判断当前点的曲率是否小于预设的阈值，若当前点的曲率小于预设的阈值且当前点不是坏点，则认定当前点为面特征，并在当前点被认定为面特征后，将当前点、位于当前点前的连续十个点以及位于当前点后的连续十个点均置为坏点。重复上述步骤，直至筛选完所有线束上的面特征。

步骤S103：通过***件对待标定激光雷达进行定位，得到待标定激光雷达的定位点，然后加载以该定位点为圆心的局部点云地图。

具体的，通过安装***件对待标定激光雷达的位置进行定位，得到一个二维或三维的坐标点，之后加载以该坐标点为圆心的局部点云地图。其中，该局部点云地图的半径为50~200m。

其中，在本实施例中，待标定激光雷达安装在车端，则***件可采用GPS定位装置或车端惯性传感器。通过GPS定位装置或车端惯性传感器对待标定激光雷达进行大致定位。可以理解的是，也可采用其他定位设备，只需能对待标定激光雷达的位置进行定位，得到定位点即可。另外，待标定激光雷达也可固定设置在路端，用于进行车路协同。

步骤S104：将从原始点云数据中提取的线特征和面特征与局部点云地图的线特征和面特征进行匹配，得到对应的偏航角和位移，将其作为待标定激光雷达的初始外参。

具体的，利用分支定界方法搜索待标定激光雷达在点云地图中的位置，该方法是一种快速搜索算法，对该算法的图解描述如图4所示，可以理解为：

步骤S104a：首先，根据偏航角和位移可能的取值将头结点分成若干个子结点，在本实施例中为描述方便，将头节点分为两个子结点，然后按照得分从大到小的顺序对这些结点进行排序。在图4中，2的得分大于1的得分。

需要说明的是，结点是包含了位移、旋转、层数和该结点得分的一个数据结构。其中，位移的取值是当前搜索所有可能的组合，有：t1= (0, 0, 0), (0, search_step, 0),(search_step, 0, 0), (search_step, search_step, 0), (0,0, search_step), (0,search_step, search_step), ( search_step, 0， search_step), ( search_step,search_step, search_step)。search_step表示的是一次搜索的步长。

偏航角的取值范围是

，步长是

，所以取值是

，

，…，

。

层数即是树的层数，从下往上，叶子结点所在的层数是第0层。

得分的计算：对于当前帧的点云，计算其中每一个点与点云低于的匹配情况，即需要把点由激光雷达坐标系变换到地图坐标系，即需要用上述的位移和偏航角进行变换。一次取一个位移和一个偏航角，则会有8*180个取值情况，集散每一种组合的得分，即每一个点落入地图栅格点的概率，如果落入，当前得分加一。其中，地图栅格点是点云地图被栅格化后的一个小栅格，可以理解成一个地图被划分成一个个的小格子。

步骤S104b：然后对2号结点进行划分，直到叶子结点5和6。根据以上规则，5的得分大于5的得分。当前最大的得分是5的得分。

步骤S104c：返回上一层，比较2的另一个子结点4的得分与最大得分，若4的得分大于最大得分，则需要对4进一步划分，直到叶子结点，比较出最大得分，

步骤S104d：重复以上步骤，直到找到最大得分，即认为最大得分对应的偏航角和位移是待标定激光雷达的初始外参。

可以理解的是，上述分支定界方法描述的是点与地图之间的匹配关系，即将点云数据中的点由激光雷达坐标系变换到点云地图坐标系，即用上述位移和偏航角进行变换。其中所述的点即为从点云数据中提取的线特征和面特征。

步骤S105：获取到待标定激光雷达的初始外参后，利用之后的点云数据帧对其进行优化。具体包括以下步骤：

步骤S105a：以初始外参为中心，加载局部点云地图。

具体的，在步骤S104中获得的初始外参中，位移是一个3*1的向量，可以理解成一个三维的坐标，由此采用初始外参的位姿加载局部点云地图。其中，上述局部点云地图的半径也为50~200m。

步骤S105b：在局部点云地图中搜索与从原始点云数据中提取的线特征和面特征相对应的匹配点和匹配数目，然后将点云点投影至局部点云地图上，对初始外参进行调整，得到优化外参。

具体的，投影是利用标定的外参将三维的点云变换到点云坐标系，假设T是标定参数，P是一个点云三维点，P是对应的地图点，则T _p =P，这样的一个过程就是投影。利用这种投影关系来对外参进行优化，会调整对应外参。此处的调整包括了位移和偏航角、俯仰角、翻滚角这三个角。

需要说明的是，外参是由平移和旋转组成的，其中平移即位移，是一个3*1的向量，旋转的表示有多种。本实施例中采用的是欧拉角，包括roll、pitch、yaw三个自由度。

具体优化的过程可以描述为：

假设P_1为提取到出的线特征点，T _x _MP_L是当前估计到的外参, p_MP是地图点，则p_MP=T _x _MP_L·P_1，可以写出对应的目标函数：

，其中，

。最小化这个目标函数，估计T _x _MP_L，即外参。

步骤S105c：以优化后外参为中心，加载局部点云地图。

步骤S105d：在局部点云地图中搜索与新一帧原始点云数据中提取的线特征和面特征相对应的匹配点和匹配数据，然后将点云点投影至点云地图上，对优化后外参再次进行调整，得到优化后外参。

步骤S105e：重复以上步骤若干次，直至前后两帧点云数据优化计算得到的结果误差小于设定的阈值，得到待标定激光雷达的外参。

具体的，重复步骤S105a至步骤S105d三次，即认为完成了一次外参优化。重复进行若干次上述外参优化，直至前后两帧点云数据优化计算得到的结果误差小于设定的阈值，则认为优化阶段已收敛。此时将后一帧点云数据优化得到的外参作为最终的待标定激光雷达的外参结果。

由上述无标定物的激光雷达外参标定方法的具体流程步骤可以看出，本发明是利用待标定激光雷达与预先建立的点云地图进行融合，直接获得待标定激光雷达在地图坐标系中的位姿，因此不需要标定物。无论是从标定精度还是标定效率，均比现有的技术方案更有优势。此外，如果需要将坐标系转换到自车坐标系，仅需要一个位姿变换关系式就可计算得到。

采用本发明提供的无标定物的激光雷达外参标定方法对激光雷达标定后，扫描到的点云数据与点云地图可以很完美地进行融合。其中，采用的激光雷达为hesai 64线的激光雷达，整个标定时间耗时72秒，标定效率很高。

除上述实施例外，本发明还可以有其他实施方式；凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。