CN117289245A - 多激光雷达的外参自动标定方法以及计算机可读存储介质 - Google Patents

Abstract

多激光雷达的外参自动标定方法以及计算机可读存储介质。所述方法包括以下步骤：101.多激光雷达中的主视雷达与车体之间进行自动标定；102.将其余激光雷达与所述主视雷达进行自动联合标定；以及103.对步骤101和102得到的标定结果进行验证及误差分析。

Description

多激光雷达的外参自动标定方法以及计算机可读存储介质

技术领域

本发明涉及无人驾驶领域，尤其涉及多激光雷达的外参自动标定方法。

背景技术

人工智能领域中自动驾驶技术是近年来的热门话题，包括感知、控制、地面规划等复杂任务，智能感知是实现无人驾驶的先决条件，首要任务就是实现多传感器的融合感知能力，算法的融合检测能力也依赖于雷达之间的联合标定精度。在雷达装车后，需要通过雷达标定消除安装误差，让自动驾驶***准确定位各个传感器被安装在什么位置。雷达标定为后续建图、定位、感知和控制打下坚实基础，是自动驾驶***稳定运行的核心部分与前置条件。

现有技术中，传统的单激光雷达与车体之间的标定方法或者多激光雷达的标定方法多为手动标定，不仅耗时且精度难以保证。且，雷达与车体标定时对航向角精度要求越来越高，传统方法难以满足高精度要求。此外，传统的激光雷达标定技术需要在特定场景中进行，对标定场景有诸多限制。

发明内容

为了克服现有技术的上述缺陷，本发明提供了一种多激光雷达的外参自动标定方法以及计算机可读存储介质，该方法先进行单激光雷达与车体的自动标定，再将该单激光雷达作为参考雷达，实现多激光雷达之间的自动联合标定。

本发明提供了一种多激光雷达的外参自动标定方法，所述方法包括以下步骤：

101.多激光雷达中的主视雷达与车体之间进行自动标定；

102.将其余激光雷达与所述主视雷达进行自动联合标定；以及

103.对步骤101和102得到的标定结果进行验证及误差分析。

在一个实施例中，步骤101进一步包括以下步骤：

201：获取所述主视雷达的原始点云数据，滤除非地面点云数据，得到地面点云数据；

202：获取所述主视雷达的外参初始值X₀、Y₀、Z₀、α₀、β₀、γ₀，其中X₀,Y₀,Z₀为所述主视雷达相对于所述车体坐标系的坐标(X，Y，Z)的初始值，α₀为所述主视雷达相对于所述车体的俯仰角α的初始值，β₀为所述主视雷达相对于所述车体的横滚角β的初始值，γ₀为所述主视雷达相对于所述车体的航向角γ的初始值；

203：构造地面在激光雷达坐标系下的地面水平度函数f：f＝|A|+|B|，其中A和B为所述地面点云数据在激光雷达坐标系下的平面方程z′＝Ax′+By′+C中的常数A和B，采用第一算法以所述地面水平度函数f的值最小为优化目标，以预先设定的步进更新一组α值、β值以及Z值；

204：根据所述更新的α值、β值以及Z值，将所述地面点云数据通过转换矩阵R和平移矩阵T进行三维坐标变换；

205：对所述三维坐标变换后的地面点云数据进行最小二乘法拟合更新所述地面点云数据在激光雷达坐标系下的平面方程；

206：根据所述更新后的平面方程更新所述地面水平度函数f，并判断所述地面水平度函数f的值是否小于一预设阈值或者迭代次数是否达到预设值N，若不满足，则返回执行步骤203～步骤206；若满足，则输出α值、β值及Z值，并执行步骤207；

207：按精度要求设置步长遍历所述航向角γ、Y值以及X值，当点云簇的直径最小时，认为此时所述航向角γ值、Y值以及X值是最接近准确值的，从而得到最终的航向角γ值、Y值以及X值。

在一个实施例中，所述第一算法为粒子群优化算法。

在一个实施例中，所述转换矩阵R与α值、β值的变化相关联，所述平移矩阵T与Z值的变化相关联。

在一个实施例中，所述步骤102进一步包括以下步骤：

401：获得所述其余雷达中的一待标定雷达的原始地面点云数据以及外参初始值X0、Y0、Z0、α0、β0、γ0；

402：通过点云分割和聚类算法，在所述待标定雷达的所述原始地面点云数据中求出所述待标定雷达与所述主视雷达重叠区域的点云数据，并基于所述待标定雷达的外参初始值X0、Y0、Z0、α0、β0、γ0采用第二算法将重叠区域的主视雷达点云数据与待标定雷达点云数据进行配准，求出精确的X，Y，Z，α，β和γ；

403：按步骤401和402标定其它待标定雷达，求出所述其它待标定雷达的X，Y，Z，α，β和γ，从而实现多雷达联合标定。

在一个实施例中，所述第二算法为迭代最近点算法。

在一个实施例中，所述第二算法为正态分布变换算法。

在一个实施例中，所述第二算法为基于深度学习的算法。

在一个实施例中，所述步骤103进一步包括以下步骤：

501：对各雷达邻近区域z方向的数值差异进行验证，当各雷达邻域附近的z值之间的差异在一预设值内时，则认为多雷达之间的自动联合标定符合要求；

502：通过验证各雷达的拟合的地平面方程的参数是否一致，来判断不同雷达的俯仰角α和横滚角β是否一致；当所述参数一致，则认为多雷达之间的自动联合标定符合要求；

503：验证各雷达对应的X，Y和航向角γ是否一致或各雷达对应的X，Y和航向角γ之间的偏差是否在一预设范围内，当一致时或者所述偏差在该预设范围内时，则认为多雷达之间的自动联合标定符合要求。

在一个实施例中，步骤503进一步包括：

各雷达航向角γ之间的偏差通过车辆运动过程中目标的全局坐标的横向位移进行评估；

各雷达X之间的偏差通过车辆运动过程中目标的全局坐标的纵向位移进行评估；

各雷达Y之间的偏差通过车辆分别从目标的左侧和右侧分别运动一次后计算目标的全局坐标的横向位移进行评估。

在一个实施例中，所述预设值为5cm。

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明的多激光雷达的外参自动标定方法。

本发明在智能驾驶车辆上的应用，有效解决了标定方法实施繁琐、精度低以及依赖其他传感器的问题，更大地实现无人驾驶自动化程度，为实现无人驾驶工业化落地提供可能，在环境感知和建图定位方面打下坚实基础，为雷达与相机自动标定实现提供先决条件，在无人驾驶车辆中因为传感器震动方向改变而需要实时自动标定提供基础。

附图说明

本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的发明的示例。在附图中，相同的附图标记代表相同或类似的元素。

图1示出根据本发明一实施例的多激光雷达的外参自动标定方法的总体流程图；

图2示出根据本发明一实施例的多激光雷达的外参自动标定方法中的主视雷达与车体之间进行自动标定的流程图；

图3A示出航向角γ、Y和X未调整前的点云簇图；

图3B示出根据本发明的航向角γ、Y和X标定算法(即步骤207)所得到的点云簇图；

图4示出根据本发明一实施例的多雷达之间进行自动联合标定的流程图；

图5示出根据本发明一实施例的多激光雷达的外参自动标定结果进行验证及误差分析的流程图。

具体实施方式

以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。

相较于现有技术，本发明地多激光雷达的外参自动标定方法能自动调整单激光雷达相对于车体的俯仰角和横滚角；有效地提高雷达与车体航向角的标定精度，极大地缩减了标定时间；并且，能自动进行多雷达联合标定，并满足多雷达融合检测算法精度要求，且对标定场景无限制。

图1示出根据本发明一实施例的多激光雷达的外参自动标定方法的总体流程图。该标定方法包括，但不限于，以下步骤：

步骤101：多激光雷达中的主视雷达与车体之间进行自动标定；

步骤102：将其余激光雷达与该主视雷达进行自动联合标定；以及

步骤103：对上述步骤101和步骤102的自动标定结果进行验证及误差分析。

在步骤101中，设主视雷达相对于车体坐标系的坐标为(X，Y，Z)，先获取雷达的外参初始值X₀,Y₀,Z₀，即外参的出厂设置。本步骤的标定方法以平整地面为参照，完成对激光雷达俯仰角α、横滚角β和纵向位移Z的标定。具体原理为，地面在激光雷达坐标系下的平面方程为：z′＝Ax′+By′+C，其中A、B、C为平面方程的系数，构造地面在激光雷达坐标系下的地面水平度函数f：f＝|A|+|B|。采用最小二乘法拟合地面点云在激光雷达坐标系下的平面方程。取地面水平度函数f的最小值为非线性优化问题，因此，可采用粒子群优化(PSO)算法，以f值最小为优化目标，自动求取俯仰角α和横滚角β的最优解。

图2示出根据本发明一实施例的多激光雷达的外参自动标定方法中的主视雷达与车体之间进行自动标定的流程图。

步骤201：获取原始点云数据，滤除非地面点云数据，得到地面点云数据；

步骤202：获取主视雷达的外参初始值X₀、Y₀、Z₀、α₀、β₀、γ₀，其中X₀,Y₀,Z₀为主视雷达相对于车体坐标系的坐标(X，Y，Z)的初始值，α₀为主视雷达相对于车体的俯仰角α的初始值，β₀为主视雷达相对于车体的横滚角β的初始值，γ₀为主视雷达相对于车体的航向角γ的初始值。

步骤203：构造地面在激光雷达坐标系下的地面水平度函数f：f＝|A|+|B|，其中A和B为地面点云数据在激光雷达坐标系下的平面方程z′＝Ax′+By′+C中的常数A和B；采用第一算法以地面水平度函数f值最小为优化目标，以预先设定的步进更新一组α值、β值以及Z值。

在一个实施例中，该第一算法为粒子群优化算法(PSO算法)。

步骤204：根据更新的α值、β值以及Z值，将地面点云数据通过转换矩阵R和平移矩阵T进行三维坐标变换。

在一个实施例中，转换矩阵R与α值、β值的变化相关联，平移矩阵T与Z值的变化相关联。需要指出的是，本领域技术人员根据α值、β值以及Z值的变化能够获得平移矩阵T和转换矩阵R。

步骤205：对三维坐标变换后的地面点云数据进行最小二乘法拟合更新地面点云数据在激光雷达坐标系下的平面方程。

步骤206：根据更新后的平面方程更新地面水平度函数f，并判断f值是否小于一预设阈值或者迭代次数是否达到预设值N，若不满足，则返回至执行步骤203-206；若满足，则输出α值、β值及Z值，并执行步骤207。

步骤207：按精度要求设置步长遍历航向角γ、Y以及X，当点云簇的直径最小时，认为此时航向角γ值、Y值以及X值是最接近准确值的，从而得到最终的航向角γ值、Y值以及X值。

在一个实施例中，点云簇指的是由于车辆由远到近的过程中通过主视雷达采集的多帧中针对同一标志物的坐标不同而形成的一团点云簇。具体而言，在车辆沿直线行驶过程中，激光雷达采集多帧含有同一标志物的激光点云，通过高程滤波等方式从激光点云中提取标志物，再采用例如K-means聚类算法得到第i帧标志物在激光雷达坐标系二维平面内的聚类中心(xi′，yi′)。结合组合惯导车辆信息(GPS)把标志物的局部坐标转换到大地坐标，求得每帧标志物的大地坐标(Xi′，Yi′)，由于雷达航向角不准确，车辆由远到近的过程中得到的同一标志物的多帧坐标也不一样，会形成一团点云簇。点云簇的直径与X，Y以及航向角有关，所以航向角调整算法原理为在一定范围内按精度要求设置步长遍历航向角γ，Y以及X，当点云簇的直径最小时，认为此时航向角是最接近准确值的，从而得到航向角γ，Y以及X。

图3A示出航向角γ、Y和X未调整前的点云簇图。图3B示出根据本发明的航向角γ、Y和X标定算法(即步骤207)所得到的点云簇图。

图4示出根据本发明一实施例的多雷达之间进行自动联合标定的流程图。由于主视雷达已经与车体标定好，因此，其它雷达只需要以此主视雷达为基准进行多雷达联合标定，即可实现全部雷达的标定。其它雷达先根据车辆安装位置得到初始值X0、Y0、Z0、α0、β0、γ0，再通过点云配准方法(ICP)求出精确的X，Y，Z，α，β和γ值。本发明相对于现有技术的一大优势是，现有技术中各雷达需要在特定场景中进行标定，而本发明只需要摆一个标定场景，即在车前方摆放标定物体，在多雷达点云重叠区域远近各放置标志物即可。

本发明的多雷达之间进行自动联合标定方式包括，但不限于，以下步骤：

步骤401：获得其它雷达中的一待标定雷达的原始地面点云数据以及外参初始值X₀、Y₀、Z₀、α₀、β₀、γ₀。其中X₀,Y₀,Z₀为待标雷达相对于车体坐标系的坐标(X，Y，Z)的初始值，α₀为待标雷达相对于车体的俯仰角α的初始值，β₀为待标雷达相对于车体的横滚角β的初始值，γ₀为待标雷达相对于车体的航向角γ的初始值。

步骤402：通过点云分割和聚类算法，在该待标定雷达的原始地面点云数据中求出待标定雷达与主视雷达重叠区域的点云数据，并基于外参初始值X0、Y0、Z0、α0、β0、γ0采用第二算法将重叠区域的主视雷达点云数据与待标定雷达点云数据进行配准，求出精确的X，Y，Z，α，β和γ。

在一个实施例中，该第二算法为ICP(迭代最近点)算法或NDT算法(正态分布变换)算法或基于深度学习的方法。

步骤403：按步骤401和402标定其它待标定雷达，从而实现多雷达联合标定。

图5示出根据本发明一实施例的多激光雷达的外参自动标定结果进行验证及误差分析的流程图。

501：对各雷达邻近区域z方向的数值差异进行验证，当各雷达邻域附近的z值之间的差异在一预设值内时，则认为多雷达之间的自动联合标定符合要求。

理想中，在对多激光雷达标定后，不同雷达的z值应该是一致的，因此，不同雷达的z值应尽量保证在一定预设值之内。

在一个实施例中，该预设值为5cm，较佳地，为3cm。

502：通过验证各雷达的拟合的地平面方程的参数是否一致，来判断不同雷达的俯仰角α和横滚角β是否一致；当所述参数一致，则认为多雷达之间的自动联合标定符合要求。

理想中，每个雷达最终拟合的地平面方程应该是相同的，也就是说，每个雷达的拟合的平面方程的参数是相同的，平面方程的参数相同，则每个雷达的俯仰角α和横滚角β应该也是一致的。因此，本发明通过验证每个雷达的拟合的地平面方程的参数一致性来验证每个雷达的俯仰角和横滚角。

503：验证各雷达对应的X，Y和航向角γ是否一致或各雷达对应的X，Y和航向角γ之间的偏差是否在一预设范围内，当一致时或者所述偏差在该预设范围内时，则认为多雷达之间的自动联合标定符合要求。

理想中，不同方向，各雷达对应的X、Y和航向角γ应该一样，或者在一定的很小的范围内。该步骤验证各雷达对应的X，Y和航向角γ的一致性，以消除惯导误差。可利用车辆运动过程中，同一小目标的中心点的全局坐标的偏差来验证。

具体而言，若各雷达的航向角γ之间有偏差，车辆运动过程中小目标全局坐标会有一个横向的移动。如果各雷达的X之间有偏差，则小目标的全局坐标就会有一个纵向的移动。Y的偏差通过车辆分别从小目标的左侧和右侧分别运动一次，计算小目标的全局坐标的横向偏差，以验证Y的偏差。

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明的多激光雷达的外参自动标定方法。

本发明的方法应用在智能驾驶车辆上，能有效解决标定方法实施繁琐、精度低以及依赖其他传感器的问题，更大地实现无人驾驶自动化程度，为实现无人驾驶工业化落地提供可能，在环境感知和建图定位方面打下坚实基础，为雷达与相机自动标定实现提供先决条件，在无人驾驶车辆中因为传感器震动方向改变而需要实时自动标定提供基础。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

这里采用的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。

同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (12)

1.一种多激光雷达的外参自动标定方法，其特征在于，所述方法包括以下步骤：

101.多激光雷达中的主视雷达与车体之间进行自动标定；

102.将其余激光雷达与所述主视雷达进行自动联合标定；以及

103.对步骤101和102得到的标定结果进行验证及误差分析。

2.如权利要求1所述的多激光雷达的外参自动标定方法，其特征在于，步骤101进一步包括以下步骤：

201：获取所述主视雷达的原始点云数据，滤除非地面点云数据，得到地面点云数据；

202：获取所述主视雷达的外参初始值X₀、Y₀、Z₀、α₀、β₀、γ₀，其中X₀,Y₀,Z₀为所述主视雷达相对于所述车体坐标系的坐标(X，Y，Z)的初始值，α₀为所述主视雷达相对于所述车体的俯仰角α的初始值，β₀为所述主视雷达相对于所述车体的横滚角β的初始值，γ₀为所述主视雷达相对于所述车体的航向角γ的初始值；

203：构造地面在激光雷达坐标系下的地面水平度函数f：f＝|A|+|B|，其中A和B为所述地面点云数据在激光雷达坐标系下的平面方程z′＝Ax′+By′+C中的常数A和B，采用第一算法以所述地面水平度函数f的值最小为优化目标，以预先设定的步进更新一组α值、β值以及Z值；

204：根据所述更新的α值、β值以及Z值，将所述地面点云数据通过转换矩阵R和平移矩阵T进行三维坐标变换；

205：对所述三维坐标变换后的地面点云数据进行最小二乘法拟合更新所述地面点云数据在激光雷达坐标系下的平面方程；

206：根据所述更新后的平面方程更新所述地面水平度函数f，并判断所述地面水平度函数f的值是否小于一预设阈值或者迭代次数是否达到预设值N，若不满足，则返回执行步骤203～步骤206；若满足，则输出α值、β值及Z值，并执行步骤207；

207：按精度要求设置步长遍历所述航向角γ、Y值以及X值，当点云簇的直径最小时，认为此时所述航向角γ值、Y值以及X值是最接近准确值的，从而得到最终的航向角γ值、Y值以及X值。

3.如权利要求2所述的多激光雷达的外参自动标定方法，其特征在于，所述第一算法为粒子群优化算法。

4.如权利要求2所述的多激光雷达的外参自动标定方法，其特征在于，所述转换矩阵R与α值、β值的变化相关联，所述平移矩阵T与Z值的变化相关联。

5.如权利要求1所述的多激光雷达的外参自动标定方法，其特征在于，所述步骤102进一步包括以下步骤：

401：获得所述其余雷达中的一待标定雷达的原始地面点云数据以及外参初始值X0、Y0、Z0、α0、β0、γ0；

402：通过点云分割和聚类算法，在所述待标定雷达的所述原始地面点云数据中求出所述待标定雷达与所述主视雷达重叠区域的点云数据，并基于所述待标定雷达的外参初始值X0、Y0、Z0、α0、β0、γ0采用第二算法将重叠区域的主视雷达点云数据与待标定雷达点云数据进行配准，求出精确的X，Y，Z，α，β和γ；

403：按步骤401和402标定其它待标定雷达，求出所述其它待标定雷达的X，Y，Z，α，β和γ，从而实现多雷达联合标定。

6.如权利要求5所述的多激光雷达的外参自动标定方法，其特征在于，所述第二算法为迭代最近点算法。

7.如权利要求5所述的多激光雷达的外参自动标定方法，其特征在于，所述第二算法为正态分布变换算法。

8.如权利要求5所述的多激光雷达的外参自动标定方法，其特征在于，所述第二算法为基于深度学习的算法。

9.如权利要求1所述的多激光雷达的外参自动标定方法，其特征在于，所述步骤103进一步包括以下步骤：

501：对各雷达邻近区域z方向的数值差异进行验证，当各雷达邻域附近的z值之间的差异在一预设值内时，则认为多雷达之间的自动联合标定符合要求；

502：通过验证各雷达的拟合的地平面方程的参数是否一致，来判断不同雷达的俯仰角α和横滚角β是否一致；当所述参数一致，则认为多雷达之间的自动联合标定符合要求；

503：验证各雷达对应的X，Y和航向角γ是否一致或各雷达对应的X，Y和航向角γ之间的偏差是否在一预设范围内，当一致时或者所述偏差在该预设范围内时，则认为多雷达之间的自动联合标定符合要求。

10.如权利要求9所述的多激光雷达的外参自动标定方法，其特征在于，步骤503进一步包括：

各雷达航向角γ之间的偏差通过车辆运动过程中目标的全局坐标的横向位移进行评估；

各雷达X之间的偏差通过车辆运动过程中目标的全局坐标的纵向位移进行评估；

各雷达Y之间的偏差通过车辆分别从目标的左侧和右侧分别运动一次后计算目标的全局坐标的横向位移进行评估。

11.如权利要求9所述的多激光雷达的外参自动标定方法，其特征在于，所述预设值为5cm。

12.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行如权利要求1至11任一项所述的多激光雷达的外参自动标定方法。